周志华《机器学习》课后习题解答系列（六）：Ch5.7 - RBF网络实验

相关答案和源代码托管在我的Github上：PY131/Machine-Learning_ZhouZhihua.

5.7. RBF神经网络实验

注：本题程序基于Python实现（这里查看完整代码和数据集）。

1. RBF网络基础

RBF网络采用RBF（Radial Basis Function函数）作为隐层神经元激活函数，是一种局部逼近神经网络，下面先分析其激活函数RBF，然后分析RBF神经网络的结构。

1.1. 径向基函数(RBF)

径向基函数是一类取值依赖样本于到中心点距离的函数，本题基于常用的高斯径向基函数（gaussian RBF）开展实验。下面是高斯径向基函数形式书p108式(5.19)：

这里的 β 为尺度系数， c_i 为中心点（维度由输入决定），函数的取值取决于样本 x 到中心点的距离（2-范数），该函数的参数为 (β, c_i)。

如下图示为高斯径向基函数示意图（绘图程序）：

1.2. RBF网络

RBF神经网络一般指一种单隐层前馈神经网络，它使用径向基函数作为隐层神经元激活函数，而输出是隐层输出的线性组合，网络结构示意如下：

参考书p108式(5.18)，该神经网络的输出为：

进一步分析，一般函数均可表示成一组基函数的线性组合，而RBF网络相当于用隐层神经元构建了这样一组基函数，由输出层进行线性组合，从而实现函数逼近的功能。

2. RBF网络实现

查看完整代码

这里RBF神经网络建模的过程分一下两步：

1. 确定神经元对应的高斯径向基函数中心 c ；
2. 利用BP算法来训练剩余参数 w, β ；

下面依次讨论其实现：

2.1. RBF中心获取

RBF的中心参数 c 的获取方法有以下一些：

• 从输入数据样本中抽取，这就要求输入样本具有较好的代表性；
• 自组织生成，如聚类法生成，采用聚类中心来作为中心参数 c ，同时根据各中心的距离来初始化尺度系数 β ；

2.2. RBF-BP算法推导

参考神经网络基础 - Python编程实现标准BP算法，这里隐层激活函数为RBF，输出层神经元数为 1 ，激活函数为 y=f(x)=x 。

BP算法采用梯度下降法进行参数迭代更新，参考书p102-103，进行RBF-BP算法中基于梯度下降的参数更新推导如下：

在完成基础推导之后，给出RBF网络的BP算法如下所示：

2.3. RBF-BP算法实现

样例代码如下：

def BackPropagateRBF(self, x, y):
    '''
    the implementation of special BP algorithm on one slide of sample for RBF network
    @param x, y: array and float, input and output of the data sample
    '''

    # dependent packages
    import numpy as np 

    # get current network output
    self.y = self.Pred(x)

    # calculate the gradient for hidden layer 
    g = np.zeros(self.h_n)
    for h in range(self.h_n):
        g[h] = (self.y - y) * self.b[h]    

    # updating the parameter
    for h in range(self.h_n):
        self.beta[h] += self.lr * g[h] * self.w[h] * np.linalg.norm(x-self.c[h],2)
        self.w[h] -= self.lr * g[h]

3. 异或问题实验

查看完整代码

3.1. 准备数据

首先基于numpy.array生成异或数据，该数据为2输入，1输出，如下所示：

样例代码：

# train set
X_trn = np.random.randint(0,2,(100,2))
y_trn = np.logical_xor(X_trn[:,0],X_trn[:,1])

样例数据：

>>> X_trn
array([[0, 0],
       [1, 1],
       ...
>>> y_trn
array([False, False, ...

3.2. 参数之-RBF中心点

这里由于采用异或数据，其中心点可以简单设置如下：

centers = np.array([[0,0],[0,1],[1,0],[1,1]])

同时取隐节点数目为4。

3.3. 生成模型并训练

样例代码如下：

# construct the network
rbf_nn = RBP_network()  # initial a BP network class
rbf_nn.CreateNN(4, centers, learningrate=0.05)  # build the network structure

# parameter training（这里迭代10次）
for i in range(10): 
    rbf_nn.TrainRBF(X_trn, y_trn)

绘制出训练过程中的均方误差变化曲线如下图：

由上图可以看到，曲线收敛十分迅速，说明这里的RBF网络训练异或数据集十分轻松，这也和我们所生成的数据的完备无误有关。

3.4. 测试模型

按照训练集数据生成方法生成测试集数据，通过模型预测，得出结果如下：

test error rate: 0.000

即测试错误率为0，可知我们的模型预测十分准确的，泛化性能优秀（主要得益于XOR预测模型对RBF网络来说太过简单）。

4. 小结

回顾RBF网络工作原理，如参考书p108式(5.18)-(5.19)。RBF网络建模类似于非线性模型中的基函数建模，进一步，我们可将其与广义可加模型联系起来。RBF网络采用径向基函数作为单隐层激活函数（即核函数），又可将其与SVM with RBF kernel联系起来。

回顾RBF网络实现过程，我们或可将该方法视为一种半监督的学习方法，具体有：

• step 1：无监督的学习，从数据中获取中心参数，常用聚类方法；
• step 2：有监督的学习，基于数据训练参数，过程一般基于BP算法实现；

5. 参考

下面列出一些参考内容：

• 基础知识：绝对经典RBF神经网络 - 百度文库
• 进阶知识：RBF神经网络和BP神经网络有什么区别 - 知乎
• 可视化：matplotlib绘制3D图 - matplotlib官网