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

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