Радиальное основание нейроны Underlapping

Радиальная базисная сеть обучена, чтобы ответить на определенные входные параметры с целевыми выходными параметрами. Однако, потому что распространение радиальных базисных нейронов является слишком низким, сеть требует многих нейронов.

Задайте 21 входные параметры P и сопоставленные цели T.

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('Training Vectors');
xlabel('Input Vector P');
ylabel('Target Vector T');

Функциональный NEWRB быстро создает радиальную базисную сеть, которая аппроксимирует функцию, определяемую P и T. В дополнение к набору обучающих данных и целям, NEWRB берет два аргумента, цель квадратичной невязки суммы и постоянное распространение. Распространение радиальных базисных нейронов B установлено в очень небольшое число.

eg = 0.02; % sum-squared error goal
sc = .01;  % spread constant
net = newrb(P,T,eg,sc);
NEWRB, neurons = 0, MSE = 0.176192

Чтобы проверять, что сеть приспосабливает функцию сглаженным способом, задайте другой набор векторов тестового воздействия и моделируйте сеть с этими новыми входными параметрами. Постройте результаты на том же графике как набор обучающих данных. Тестовые векторы показывают, что функция была сверхподходящей! Сеть, возможно, добилась большего успеха с более высоким постоянным распространением.

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