RBF 网络学习算法 MATLAB 函数的详解

一、引言

径向基函数（Radial Basis Function，RBF）网络是一种有效的神经网络模型，在函数逼近、模式识别等众多领域有着广泛的应用。MATLAB 为 RBF 网络的实现提供了便捷的函数，掌握这些函数的使用对于利用 RBF 网络解决实际问题至关重要。本文将详细介绍 MATLAB 中与 RBF 网络学习算法相关的函数及其使用方法。

二、RBF 网络简介

RBF 网络是一种三层前馈神经网络，包括输入层、隐含层和输出层。输入层节点接收输入向量，隐含层节点采用径向基函数作为激活函数，输出层节点对隐含层节点的输出进行线性组合。其结构简单且具有良好的泛化能力。

三、MATLAB 中的 RBF 网络相关函数

（一）newrbe 函数

函数功能
newrbe函数用于创建一个精确的径向基网络。它能够根据给定的输入和目标数据自动调整网络的参数，以确保网络输出与目标输出之间的误差最小。
函数语法
net = newrbe(P,T,spread)
其中，P是输入向量矩阵，每一行代表一个输入向量；T是目标向量矩阵，每一行对应一个输入向量的期望输出；spread是径向基函数的扩展常数，它决定了径向基函数的宽度。较小的spread值会使函数的形状更窄，而较大的值会使函数更宽。
示例代码

matlab 复制代码

% 生成一些示例数据
x = [0 1 2 3 4];
y = [0 1 4 9 16];
P = x'; % 转置为列向量形式作为输入
T = y'; % 转置为列向量形式作为目标输出
spread = 1;
net = newrbe(P,T,spread);
% 测试网络
test_x = [0.5 1.5 2.5];
test_P = test_x';
output = sim(net,test_P);
disp(output);

（二）newrb 函数

函数功能
newrb函数用于创建一个径向基网络，它采用迭代的方式增加隐含层神经元的数量，直到网络达到指定的误差性能目标或者达到最大神经元数量限制。
函数语法
net = newrb(P,T,goal,spread,MN,DF)
P和T的含义与newrbe函数中相同。goal是均方误差目标，当网络的均方误差达到这个值时，训练停止。spread同样是径向基函数的扩展常数。MN是最大神经元数量，DF是每次迭代添加神经元时显示的频率。
示例代码

matlab 复制代码

% 重新使用上面的示例数据
x = [0 1 2 3 4];
y = [0 1 4 9 16];
P = x';
T = y';
goal = 0.01;
spread = 2;
MN = 10;
DF = 1;
net = newrb(P,T,goal,spread,MN,DF);
test_x = [0.5 1.5 2.5];
test_P = test_x';
output = sim(net,test_P);
disp(output);

（三）sim 函数

函数功能
sim函数用于对已经训练好的神经网络（包括 RBF 网络）进行仿真，即根据输入数据计算网络的输出。
函数语法
[Y,Pf,Af,E,perf] = sim(net,P,Pi,Ai,T)
对于 RBF 网络的简单使用，我们通常只关心Y，即网络的输出。net是训练好的网络对象，P是输入数据。Pi、Ai和T在一些动态网络中使用，对于 RBF 网络的基本应用可以忽略或设置为空矩阵。
示例代码（结合前面的网络训练）

matlab 复制代码

% 假设已经训练好了 net（如使用 newrbe 或 newrb）
new_test_data = [5 6 7]';
output = sim(net,new_test_data);
disp(output);

四、RBF 网络学习算法参数选择

（一）扩展常数 spread 的选择

影响
spread值对网络性能有着重要影响。如果spread值太小，网络可能会对训练数据过拟合，在新数据上的泛化能力较差。如果spread值太大，径向基函数会过于平滑，可能导致网络无法准确地拟合数据。
选择方法
可以通过交叉验证的方法来选择合适的spread值。将数据集分为训练集、验证集和测试集，在一定范围内改变spread的值，使用训练集训练网络，然后在验证集上评估网络性能，选择使验证集性能最佳的spread值。

（二）目标误差 goal 和最大神经元数量 MN（针对 newrb 函数）

目标误差 goal
根据问题的精度要求来设定。如果要求较高的精度，目标误差可以设置得较小，但这可能会导致网络结构复杂，训练时间增加。
最大神经元数量 MN
需要根据数据规模和计算资源来合理设置。如果 MN 设置过小，网络可能无法达到目标误差；如果设置过大，可能会导致过拟合和计算资源的浪费。

五、应用案例

（一）函数逼近问题

假设我们要逼近函数y = sin(x)在区间[0, 2*pi]上的值。

数据准备

matlab 复制代码

x = linspace(0,2*pi,100)';
y = sin(x);
P = x;
T = y;

网络训练与测试
使用newrbe或newrb函数训练 RBF 网络，然后使用sim函数在新的x值上进行测试，比较网络输出与真实sin(x)函数值的差异，评估网络的逼近效果。

（二）模式分类问题

假设有一个二维数据分类问题，数据分为两类。

数据生成与标记

matlab 复制代码

% 生成两类数据点
class1 = [randn(50,2)+2;randn(50,2)-2];
class2 = [randn(50,2)+[2 -2];randn(50,2)-[2 -2]];
data = [class1;class2];
target = [ones(100,1); -ones(100,1)];
P = data';
T = target';

网络训练与分类
使用 RBF 网络（如newrbe或newrb）训练，然后对新的数据点进行分类预测，通过计算分类准确率等指标来评估网络的性能。

六、总结

本文详细介绍了 MATLAB 中用于 RBF 网络学习算法的newrbe、newrb和sim等函数的功能、语法和使用示例。同时，讨论了 RBF 网络学习算法中关键参数的选择方法，并通过函数逼近和模式分类两个应用案例展示了 RBF 网络在 MATLAB 中的实现过程。通过掌握这些内容，用户可以在 MATLAB 环境中灵活运用 RBF 网络解决各种实际问题。需要注意的是，在实际应用中，还需要不断尝试和优化参数，以获得最佳的网络性能。