matlab中用RBF神经网络做预测的代码怎么写

clc

clearall

closeall

%%----BuildatrainingsetofasimilarversionofXOR

c_1=[00]

c_2=[11]

c_3=[01]

c_4=[10]

n_L1=20%numberoflabel1

n_L2=20%numberoflabel2

A=zeros(n_L1*2,3)

A(:,3)=1

B=zeros(n_L2*2,3)

B(:,3)=0

%createrandompoints

fori=1:n_L1

A(i,1:2)=c_1+rand(1,2)/2

A(i+n_L1,1:2)=c_2+rand(1,2)/2

end

fori=1:n_L2

B(i,1:2)=c_3+rand(1,2)/2

B(i+n_L2,1:2)=c_4+rand(1,2)/2

end

%showpoints

scatter(A(:,1),A(:,2),[],'r')

holdon

scatter(B(:,1),B(:,2),[],'g')

X=[AB]

data=X(:,1:2)

label=X(:,3)

%%Usingkmeanstofindcintervector

n_center_vec=10

rng(1)

[idx,C]=kmeans(data,n_center_vec)

holdon

scatter(C(:,1),C(:,2),'b','LineWidth',2)

%%Calulatesigma

n_data=size(X,1)

%calculateK

K=zeros(n_center_vec,1)

fori=1:n_center_vec

K(i)=numel(find(idx==i))

end

%UsingknnsearchtofindKnearestneighborpointsforeachcentervector

%thencalucatesigma

sigma=zeros(n_center_vec,1)

fori=1:n_center_vec

[n,d]=knnsearch(data,C(i,:),'k',K(i))

L2=(bsxfun(@minus,data(n,:),C(i,:)).^2)

L2=sum(L2(:))

sigma(i)=sqrt(1/K(i)*L2)

end

%%Calutateweights

%kernelmatrix

k_mat=zeros(n_data,n_center_vec)

fori=1:n_center_vec

r=bsxfun(@minus,data,C(i,:)).^2

r=sum(r,2)

k_mat(:,i)=exp((-r.^2)/(2*sigma(i)^2))

end

W=pinv(k_mat'*k_mat)*k_mat'*label

y=k_mat*W

%y(y>=0.5)=1

%y(y<0.5)=0

%%trainingfunctionandpredictfunction

[W1,sigma1,C1]=RBF_training(data,label,10)

y1=RBF_predict(data,W,sigma,C1)

[W2,sigma2,C2]=lazyRBF_training(data,label,2)

y2=RBF_predict(data,W2,sigma2,C2)

扩展资料

matlab的特点

1、具有完备的图形处理功能，实现计算结果和编程的可视化；

2、友好的用户界面及接近数学表达式的自然化语言，使学者易于学习和掌握；

3、功能丰富的应用工具箱(如信号处理工具箱、通信工具箱等) ，为用户提供了大量方便实用的处理工具。

参考资料来源：百度百科—MATLAB

%%

清空环境变量

clc

clear

%%

产生输入

输出数据

%

设置步长

interval=0.01

%

产生x1

x2

x1=-1.5:interval:1.5

x2=-1.5:interval:1.5

%

按照函数先求得相应的函数值，作为网络的输出。

F

=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2)

%%

网络建立和训练

%

网络建立

输入为[x1x2],输出为F。Spread使用默认。

net=newrbe([x1x2],F)

%%

网络的效果验证

%

我们将原数据回带，测试网络效果：

ty=sim(net,[x1x2])

%

我们使用图像来看网络对非线性函数的拟合效果

figure

plot3(x1,x2,F,'rd')

hold

on

plot3(x1,x2,ty,'b-.')

view(113,36)

title('可视化的方法观察准确RBF神经网络的拟合效果')

xlabel('x1')

ylabel('x2')

zlabel('F')

grid

on

%% 清空环境变量

clc

clear

close all

%%

a=load('walk1.txt')%读取数据 % xlsread（‘ ‘）；读取execl文件

data=a(1:500,5)%样本数据和测试数据

order=5%输入数据个数

snum=200%训练样本数

step=3%预测步数

input=data(1:snum)

output=data(1+order+step:snum+order+step)

delay=200%训练样本与测试样本间时延

input1=data(1+delay:snum+delay)

output1=date(1+order+delay+step:snum+order+delay+step)

input_train=zeros(snum,order)input_test=zeros(snum,order)

for i=1:snum

input_train(i,:)=data(i:i+order-1)

input_test(i,:)=data(i+delay:i+delay+order-1)

end

%% RBF神经网络预测

%% 网络建立和训练

net=newrb(input_train',output',0.001,100,300,25)

% net=newrbe(input_train',output',100)

% net=newgrnn(input_train',output',10)

%% 网络验证

ty=sim(net,input_train')

errR=abs(output-ty')

ty1=sim(net,input_test')

errR1=abs(output1-ty1')

figure

plot(1:snum,output1,'r*-')

hold on

plot(1:snum,ty1','kx-')

title('三步RBF')

xlabel('数据序号')

ylabel('数据值')

legend('实际值','预测值')

figure

subplot(2,1,1)

stem(1:snum,errR1,'r*')

title('三步RBF')

xlabel('数据序号')

ylabel('绝对误差值')

rbfmean = mean(errR1)

subplot(2,1,2)

stem(1:snum,

abs(errR1./output1),'r*')

title('三步RBF')

xlabel('数据序号')

ylabel('绝对误差率')

rbfpmean = mean(abs(errR1./output1))*100%%

自己对着改一下。

---