【RBF预测】基于RBF神经网络实现预测matlab源码

RBF的直观介绍

RBF具体原理，网络上很多文章一定讲得比我好，所以我也不费口舌了，这里只说一说对RBF网络的一些直观的认识

1 RBF是一种两层的网络

是的，RBF结构上并不复杂，只有两层：隐层和输出层。其模型可以数学表示为：\ y j = ∑ i = 1 n w i j ϕ ( ∥ x − u i ∥ 2 ) , ( j = 1 , … , p ) yj = \sum_{i=1}^n w_{ij} \phi(\Vert x - ui\Vert^2), (j = 1,\dots,p)yj​=i=1∑n​wij​ϕ(∥x−ui​∥2),(j=1,…,p)\ \

2 RBF的隐层是一种非线性的映射

RBF隐层常用激活函数是高斯函数：\ ϕ ( ∥ x − u ∥ ) = e − ∥ x − u ∥ 2 σ 2 \phi(\Vert x - u\Vert) = e^{-\frac{\Vert x-u\Vert^2}{\sigma^2}}ϕ(∥x−u∥)=e−σ2∥x−u∥2​

3 RBF输出层是线性的

4 RBF的基本思想是：将数据转化到高维空间，使其在高维空间线性可分

RBF隐层将数据转化到高维空间(一般是高维)，认为存在某个高维空间能够使得数据在这个空间是线性可分的。因此啊，输出层是线性的。这和核方法的思想是一样一样的。下面举个老师PPT上的例子：\

上面的例子，就将原来的数据，用高斯函数转换到了另一个二维空间中。在这个空间里，XOR问题得到解决。可以看到，转换的空间不一定是比原来高维的。

RBF学习算法

对于上图的RBF网络，其未知量有：中心向量u i u_iui​，高斯函数中常数σ \sigmaσ，输出层权值W WW。\ 学习算法的整个流程大致如下图：\

具体可以描述为：

1. 利用kmeans算法寻找中心向量u i u_iui​
2. 利用kNN(K nearest neighbor)rule 计算 σ \sigmaσ\ σ i = 1 K ∑ k = 1 K ∥ u k − u i ∥ 2 \sigmai = \sqrt{\frac{1}{K}\sum_{k=1}^K \Vert uk - u_i\Vert^2}σi​=K1​k=1∑K​∥uk​−ui​∥2​
3. W WW可以利用最小二乘法求得

Lazy RBF

可以看到原来的RBF挺麻烦的，又是kmeans又是knn。后来就有人提出了lazy RBF，就是不用kmeans找中心向量了，将训练集的每一个数据都当成是中心向量。这样的话，核矩阵Φ \PhiΦ就是一个方阵，并且只要保证训练中的数据是不同的，核矩阵Φ \PhiΦ就是可逆的。这种方法确实lazy，缺点就是如果训练集很大，会导致核矩阵Φ \PhiΦ也很大，并且要保证训练集个数要大于每个训练数据的维数。\

MATLAB实现RBF神经网络

下面实现的RBF只有一个输出，供大家参考参考。对于多个输出，其实也很简单，就是W WW变成了多个，这里就不实现了。

demo.m 对XOR数据进行了RBF的训练和预测，展现了整个流程。最后的几行代码是利用封装形式进行训练和预测。

``` %读取数据 load gqpin.txt; load gqpout.txt; data=[gqpin gqpout]; %训练预测数据 datatrain=data(1:261,:); datatest=data(162:261,:);

inputtrain=datatrain(:,1:5)'; outputtrain=datatrain(:,6)';

inputtest=datatest(:,1:5)'; outputtest=datatest(:,6)';

error2=y2-y1; figure(1) plot(y1,'b-'); hold on plot(y2,'r:'); legend('Training Data','CDE-RBF Output') xlabel('采样序列'); ylabel('转化速率') figure(2) plot(error2) title('输出误差'); xlabel('采样序列');

```