Matlab的code - RBF

clear all

clc %清除命令窗口 load Data-Ass2; d=data'; %求转置 dat=d(1:2500,1:2); labels=d(1:2500,3);

dp=[0.3 30000 0.001];

[W1,b1,W2,b2,nr,dr]=solverb(53,92,dp) B = int8(A);

inputNums=2; %输入层节点

outputNums=1; %输出层节点许多情况下直接用1表示 hideNums=10; %隐层节点数 maxcount=1000; %最大迭代次数 samplenum=2500; %一个计数器，无意义 precision=0.001; %预设精度 alpha=0.01; %学习率设定值

a=0.5; %BP优化算法的一个设定值，对上组训练的调整值按比例修改

error=zeros(1,maxcount+1); %error数组初始化；目的是预分配内存空间

errorp=zeros(1,samplenum); %同上

w=rand(hideNums,outputNums); *3;w表隐层到输出层的权值

%求聚类中心

[Idx,C]=kmeans(dat,hideNums); %X 2500*2的数据矩阵 %K 表示将X划分为几类

%Idx 2500*1的向量，存储的是每个点的聚类标号 %C 10*2的矩阵，存储的是K个聚类质心位置

%求扩展常数 dd=zeros(1,10); for i=1:10 dmin=10000; for j=1:10

ddd=(C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2; if(ddd

%b为进行计算后隐含层的输入矩阵

b=zeros(2500,10); for i=1:2500 for j=1:10

b(i,j)=exp( -( (dat(i,1)-C(j,1))^2+(dat(i,2)-C(j,2))^2 )/(2*dd(j)) );Y为扩展常数 end end

count=1;

while (count<=maxcount) %结束条件1迭代1000次 c=1;

while (c<=samplenum)%对于每个样本输入，计算输出，进行一次BP训练，samplenum为2500

%o输出的值 double o; o=0.0;

for i=1:hideNums o=o+b(c,i)*w(i,1); end

%反馈/修改; errortmp=0.0;

errortmp=errortmp+(labels(c,1)-o)^2; % 第一组训练后的误差计算

errorp(c)=0.5*errortmp; yitao=labels(c,1)-o; %输出层误差

for i=1:hideNums %调节到每个隐藏点到输出点的权重 w(i,1)=w(i,1)+alpha*yitao*b(c,i);%权值调整 end

c=c+1; %输入下一个样本数据

end %第二个while结束；表示一次训练结束

%求最后一次迭代的误差 double tmp; tmp=0.0; %字串8 for i=1:samplenum

tmp=tmp+errorp(i)*errorp(i);%误差求和 end tmp=tmp/c;