基于径向基神经网络RBF的图像跟踪,基于RBF的行人跟踪,基于RBF的视频跟踪

目录

完整代码和数据下载链接:基于径向基神经网络rbf的图像跟踪,基于RBF的人像跟踪(代码完整,数据齐全)资源-CSDN文库 https://download.csdn.net/download/abc991835105/88218179

RBF的详细原理

RBF的定义

RBF理论

易错及常见问题

RBF应用实例,基于rbf的空调功率预测

代码

结果分析

展望

RBF的详细原理

RBF的定义

径向基函数(Radical Basis Function,RBF)方法是Powell在1985年提出的。所谓径向基函数,其实就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心c之间欧氏距离的单调函数,可记作k(||x-c||),其作用往往是局部的,即当x远离c时函数取值很小。例如高斯径向基函数:

RBF理论

RBF神经网络算法是由三层结构组成,输入层至隐层为非线性的空间变换,一般选用径向基函数的高斯函数进行运算;从隐层至输出层为线性空间变换,即矩阵与矩阵之间的变换。

rbf神经网络原理是用RBF作为隐单元的"基"构成隐含层空间,这样就可以将输入矢量直接映射到隐空间,而不需要通过权连接。当RBF的中心点确定以后,这种映射关系也就确定了。

RBF是一种前馈型的神经网络,也就是说他不是通过不停的调整权值来逼近最小误差的,的激励函数是一般是高斯函数和BP的S型函数不一样,高斯函数是通过对输入与函数中心点的距离来算权重的。

简而言之,RBF神经网络其实就是,具有不同激活函数和应用方向的前馈网络。

RBF应用实例

基于RBF的图像跟踪的MATLAB代码

%% I. 清空环境变量

clc

clear

close all

%% II. 训练集/测试集产生

%%

load maydata.mat

num(15,61)=13285;

m=45;

n = randperm(length(num));

input_train=num(n,1:60)';%训练数据的输入数据

output_train=num(n,61)';%训练数据的输出数据

input_test=num((1:end),1:60)';%测试数据的输入数据

output_test=num((1:end),61)'; %测试数据的输出数据

%选连样本输入输出数据归一化

[inputn_test,inputps]=mapminmax(input_test,-1,1);%训练数据的输入数据的归一化

% [inputn,inputps]=mapminmax(input_train,0,1);%训练数据的输入数据的归一化

% inputn_test=mapminmax('apply',input_test,inputps);

inputn=mapminmax('apply',input_train,inputps);

[outputn,outputps]=mapminmax(output_train,0,1);%训练数据的输出数据的归一化de

%% III. RBF神经网络创建及仿真测试

%%

% 1. 创建网络

net=newrb(inputn,outputn,0.0001,5,60);

% net.trainFcn='trainrp';

%%

% inputn_test=mapminmax('apply',input_test,inputps);

test_output1=sim(net,inputn_test); %$生成测试数据

test_output=mapminmax('reverse',test_output1,outputps);

%% IV. 性能评价

figure(1)

plot(output_test(1,:),'r-o');%期望数据,即真实的数据画图,-代表实现,就是代表 的标识

hold on

plot(test_output(1,:),'b-*');%预测数据,即rbf仿真出来的的数据画图,-代表实现,就是代表 的标识

hold off

legend('实际数据','预测输出')%标签

title('RBF神经网络','fontsize',12)%标题 字体大小为12

ylabel('当日能耗','fontsize',12)%Y轴

xlabel('日期','fontsize',12)%X轴

set(gca,'XTick',[1 5:5:25])

set(gca,'XTickLabel',{'9.15','9.20','9.25','10.1','10.6','10.11'})

figure(2)

plot(output_test(1,:)-test_output(1,:),'k-*');%期望数据,即真实的数据画图,-代表实现,就是代表的标识

title('RBF神经网络','fontsize',12)%标题 字体大小为12

ylabel('误差','fontsize',12)%Y轴

xlabel('日期','fontsize',12)%X轴

set(gca,'XTick',[1 5:5:25])

set(gca,'XTickLabel',{'9.15','9.20','9.25','10.1','10.6','10.11'})

%

% net1.b{1}

% net1.iw{1,1}

% net1.b{2}

% net1.lw{2,1}

扩展

如果需要改进,欢迎扫描二维码联系

相关推荐
池央14 分钟前
AI性能极致体验:通过阿里云平台高效调用满血版DeepSeek-R1模型
人工智能·阿里云·云计算
我们的五年15 分钟前
DeepSeek 和 ChatGPT 在特定任务中的表现:逻辑推理与创意生成
人工智能·chatgpt·ai作画·deepseek
Yan-英杰16 分钟前
百度搜索和文心智能体接入DeepSeek满血版——AI搜索的新纪元
图像处理·人工智能·python·深度学习·deepseek
Fuweizn18 分钟前
富唯智能可重构柔性装配产线:以智能协同赋能制造业升级
人工智能·智能机器人·复合机器人
taoqick2 小时前
对PosWiseFFN的改进: MoE、PKM、UltraMem
人工智能·pytorch·深度学习
suibian52352 小时前
AI时代:前端开发的职业发展路径拓宽
前端·人工智能
预测模型的开发与应用研究3 小时前
数据分析的AI+流程(个人经验)
人工智能·数据挖掘·数据分析
源大模型3 小时前
OS-Genesis:基于逆向任务合成的 GUI 代理轨迹自动化生成
人工智能·gpt·智能体
PowerBI学谦5 小时前
Python in Excel高级分析:一键RFM分析
大数据·人工智能·pandas
运维开发王义杰5 小时前
AI: Unsloth + Llama 3 微调实践,基于Colab
人工智能·llama