MATLAB用于设计径向基网络的新方法并不符合文档的规定。为什么?

时间:2015-11-12 15:33:59

标签: matlab neural-network function-approximation

我正在尝试使用径向基网络来近似各种信号。特别是,我使用了MATLAB的newrb

我的问题是,如果我按照newrb的{​​{3}},此功能似乎行为不正确。据我了解,尽管有文档,但转换所有参数是有意义的。

以下示例有望说明我的问题。

我用100个样本创建一个正弦波周期。我想通过径向基网络来近似这个正弦波,最大限度地有两个隐藏的神经元。我有一个输入向量(t)和一个目标向量(s)。因此,根据文档,我应该使用两个列向量调用newrb。但是,近似值太好了。实际上,均方误差为0,仅使用两个神经元就不能成立。此外,如果我使用列向量,view(net)的可视化不仅会显示一个输入,还会显示100个输入。

在该示例中,对应于“正确”(根据文档)函数调用的向量由_doc表示,对应于_not_doc的“不正确”调用。

有人可以解释这种行为吗?

% one period sine signal with
% carrier frequency = 1, sampling frequency = 100
Ts  = 1 / 100;
t   = 2 * pi * (0:Ts:1-Ts); % size(t) = 1 100
s   = sin(t);               % size(s) = 1 100

% design radial basis network
MSE_goal    = 0.0;  % mean squared error goal, default value
spread      = 1.0;  % spread of readial basis functions, default value
max_neurons = 2;    % maximum number of neurons, custom value
DF          = 25;   % number of neurons to add between displays, default value

net_not_doc     = newrb( t , s , MSE_goal, spread, max_neurons, DF );   % row vectors
net_doc         = newrb( t', s', MSE_goal, spread, max_neurons, DF );   % column vectors

% simulate network
approx_not_doc   = sim( net_not_doc, t );
approx_doc       = sim( net_doc, t' );

% plot
figure;
plot( t, s, 'DisplayName', 'Sine' );
hold on;
plot( t, approx_not_doc, 'r:', 'DisplayName', 'Approximation_{not doc}');
hold on;
plot( t, approx_doc', 'g:', 'DisplayName', 'Approximation_{doc}');
grid on;
legend show;

% view neural networks
view(net_not_doc);
view(net_doc);

1 个答案:

答案 0 :(得分:0)

因为我自己也有同样的问题,所以我会尝试为那些偶然发现同一个帖子的人提供答案。

我认为问题不在于转置向量。您可以按原样使用数据,而无需转置任何内容。 事实上,您使用向量t训练您的RBF网络,然后使用您训练网络的相同向量进行模拟,这就是您有如此完美近似的原因。您使用与其教授的相同的值来测试您的网络。

如果您真的想测试网络,则必须选择其他矢量进行测试。在你的例子中我使用了这个:

    % simulate network
    t_test = 2 * pi * ((1-Ts)/2:Ts:3-Ts);
    approx_not_doc   = sim( net_not_doc, t_test );

现在,当您绘制结果时,您可以观察到与您的火车矢量具有相同值的点几乎完美无缺。由于神经元数量很少(如你所料),其余的目标都是未知的。 Plot of t_test with approx_not_doc.

现在如果您添加更多神经元(在本例中我使用了100),您可以看到现在新网络可以使用相同的测试向量t_test预测您的功能的未知部分。 Plot t_test with approx_not_doc for 100 neurons.当然,如果您尝试使用不同数量的神经元并进行传播,结果会有所不同。

希望这可以帮助任何有同样问题的人。