径向基神经网络（实例故障分类）

径向神经网络的创建：

调用格式：

net=newrbe(p,t,spread) -------------------p  t分别为输入和输出样本，spread  为径向神经网络的散布常数

或者更高效的神经网络

net=newrb(p,t,goal,spread);

概率神经网络的创建：

P = [0 0;1 1;0 3;1 4;3 1;4 1;4 3]',
Tc = [1 1 2 2 3 3 3],

T = ind2vec(Tc);   %吧分类标签转换成向量的形式

net = newpnn(P,T);   %创建概率神经网络
Y = sim(net,P);           %生成概率神经网络计算的值
Yc = vec2ind(Y)             %将向量标签改换成位置标签

P2 = [1 4;0 1;5 2]',
Y = sim(net,P2);
Yc = vec2ind(Y)

 广义回归神经网络的创建：

newgrnn（p,t)

P = [4 5 6];
T = [1.5 3.6 6.7];

net = newgrnn(P,T);

P = 4.5;
v = sim(net,P),

径向神经网络的设计实例：

径向基网络函数的逼近：

P = -1:.1:1;
T = [-.9602 -.5770 -.0729  .3771  .6405  .6600  .4609 ...
      .1336 -.2013 -.4344 -.5000 -.3930 -.1647  .0988 ...
      .3072  .3960  .3449  .1816 -.0312 -.2189 -.3201];
plot(P,T,'+');
title('训练样本（Training Vectors）');
xlabel('输入样本向量（Input Vector P）');
ylabel('目标向量（Target Vector T）');

p = -3:.1:3;
a = radbas(p);          %隐含层和输出层之间的径向传递函数
plot(p,a)
title('径向基传递函数');
xlabel('输入 p');
ylabel('输出 a');

a2 = radbas(p-1.5);
a3 = radbas(p+2);
a4 = a + a2*1 + a3*0.5;
plot(p,a,'b-',p,a2,'b-',p,a3,'b-',p,a4,'m--')
title('径向基传递函数加权和');
xlabel('输入 p');
ylabel('输出 a');

eg = 0.02; % 期望均方误差
sc = 1;    % 杂散常数
net = newrb(P,T,eg,sc);        %生成径向基神经网络，并且进行训练



plot(P,T,'+');
xlabel('Input');
X = -1:.01:1;
Y = sim(net,X);   %生成预测的值
hold on;
plot(X,Y);
hold off;
legend({'目标向量','网络输出'})

径向基神经网络中散布常数对径向基神经网络的影响很大，选择不当会导致神经元响应区域不能覆盖整个输入范围，或者交叠区域过大导致重复响应，导致网络功能的不适应性，

下面是散布常数选择不当时的场景。

P = -1:.1:1;
T = [-.9602 -.5770 -.0729  .3771  .6405  .6600  .4609 ...
      .1336 -.2013 -.4344 -.5000 -.3930 -.1647  .0988 ...
      .3072  .3960  .3449  .1816 -.0312 -.2189 -.3201];
plot(P,T,'+');
title('训练样本（Training Vectors）');
xlabel('输入样本向量（Input Vector P）');
ylabel('目标向量（Target Vector T）');

eg = 0.02; % 期望均方误差
sc = .01;  % 散布常数
net = newrb(P,T,eg,sc);

X=-1:.01:1;
Y=sim(net,X);
hold on;
plot(X,Y);
hold off;

P = -1:.1:1;
T = [-.9602 -.5770 -.0729  .3771  .6405  .6600  .4609 ...
      .1336 -.2013 -.4344 -.5000 -.3930 -.1647  .0988 ...
      .3072  .3960  .3449  .1816 -.0312 -.2189 -.3201];
plot(P,T,'+');
title('训练样本（Training Vectors）');
xlabel('输入样本向量（Input Vector P）');
ylabel('目标向量（Target Vector T）');


eg = 0.02; % 期望均方误差
sc =100;  % 散布常数
net = newrb(P,T,eg,sc);

X=-1:.01:1;
Y=sim(net,X);
hold on;
plot(X,Y);
hold off;

广义回归神经网络的函数逼近问题：

P = [1 2 3 4 5 6 7 8];
T = [0 1 2 3 2 1 2 1];
plot(P,T,'.','markersize',30)
axis([0 9 -1 4])
title('输入输出样本')
xlabel('P')
ylabel('T')
%%
spread = 0.7;
net = newgrnn(P,T,spread);
A = sim(net,P);
hold on
outputline = plot(P,A,'o','markersize',10,'color',[1 0 0]);
title('网络输出与样本比较')
xlabel('P')
ylabel('T and A')
%%
p = 3.5;
a = sim(net,p);
plot(p,a,'+','markersize',10,'color',[1 0 0]);
title('新输入值')
xlabel('P and p')
ylabel('T and a')
%%
P2 = 0:.1:9;
A2 = sim(net,P2);
plot(P2,A2,'linewidth',4,'color',[1 0 0])
title('网络拟合的函数曲线')
xlabel('P and P2')
ylabel('T and A2')

概率神经网络的分类问题：

P = [1 2; 2 2; 1 1]';
Tc = [1 2 3];
plot(P(1,:),P(2,:),'.','markersize',30)
for i=1:3, text(P(1,i)+0.1,P(2,i),sprintf('class %g',Tc(i))), end
axis([0 3 0 3])
title('3个样本向量')
xlabel('P(1,:)')
ylabel('P(2,:)')

%%
T = ind2vec(Tc);
spread = 1;
net = newpnn(P,T,spread);

A = sim(net,P);
Ac = vec2ind(A);
plot(P(1,:),P(2,:),'o','markersize',10)
axis([0 3 0 3])
for i=1:3,text(P(1,i)+0.1,P(2,i),sprintf('class %g',Ac(i))),end
title('网络仿真测试结果')
xlabel('P(1,:)')
ylabel('P(2,:)')
%%
p = [2; 1.5];
a = sim(net,p);
ac = vec2ind(a);
hold on
plot(p(1),p(2),'.','markersize',30,'color',[1 0 0])
text(p(1)+0.1,p(2),sprintf('class %g',ac))
hold off
title('新输入样本的分类仿真结果')
xlabel('P(1,:) and p(1)')
ylabel('P(2,:) and p(2)')
%%
p1 = 0:.05:3;
p2 = p1;
[P1,P2] = meshgrid(p1,p2);
pp = [P1(:) P2(:)]';
aa = sim(net,pp);
aa = full(aa);
m = mesh(P1,P2,reshape(aa(1,:),length(p1),length(p2)));
%%
set(m,'facecolor',[0 0.5 1],'linestyle','none');
hold on
m = mesh(P1,P2,reshape(aa(2,:),length(p1),length(p2)));
set(m,'facecolor',[0 1.0 0.5],'linestyle','none');
m = mesh(P1,P2,reshape(aa(3,:),length(p1),length(p2)));
set(m,'facecolor',[0.5 0 1],'linestyle','none');
plot3(P(1,:),P(2,:),[1 1 1]+0.1,'.','markersize',30)
%%
plot3(p(1),p(2),1.1,'.','markersize',30,'color',[1 0 0])
hold off
view(2)
title('3类划分区域')
xlabel('P(1,:) and p(1)')
ylabel('P(2,:) and p(2)')

[filename, pathname] = uigetfile('16_5_P.xls');
file=[pathname filename];
x=xlsread(file);
p=x; 
p=p';    

t1=[0.9 0.1 0.1]'
t2=[0.1 0.9 0.1]'
t3=[0.1 0.1 0.9]'
t = [t1 t1  t1 t1 t1 t2 t2 t2 t2 t2 t3 t3 t3 t3 t3];

spread = 0.6;
net = newrbe(p,t,spread);


[filename, pathname] = uigetfile('16_5_Ptest.xls');
file=[pathname filename];
xtest=xlsread(file);
ptest=xtest; 
ptest=ptest';   

ans = sim(net, ptest),