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
却道天凉_好个秋8 分钟前
深度学习(二):神经元与神经网络
人工智能·神经网络·计算机视觉·神经元
UQI-LIUWJ9 分钟前
unsloth笔记:运行&微调 gemma
人工智能·笔记·深度学习
THMAIL13 分钟前
深度学习从入门到精通 - 生成对抗网络(GAN)实战:创造逼真图像的魔法艺术
人工智能·python·深度学习·神经网络·机器学习·生成对抗网络·cnn
却道天凉_好个秋14 分钟前
计算机视觉(八):开运算和闭运算
人工智能·计算机视觉·开运算与闭运算
无风听海16 分钟前
神经网络之深入理解偏置
人工智能·神经网络·机器学习·偏置
JoinApper17 分钟前
目标检测系列-Yolov5下载及运行
人工智能·yolo·目标检测
北京地铁1号线1 小时前
GPT(Generative Pre-trained Transformer)模型架构与损失函数介绍
gpt·深度学习·transformer
飞哥数智坊1 小时前
即梦4.0实测:我真想对PS说“拜拜”了!
人工智能
fantasy_arch1 小时前
9.3深度循环神经网络
人工智能·rnn·深度学习
Ai工具分享1 小时前
视频画质差怎么办?AI优化视频清晰度技术原理与实战应用
人工智能·音视频