Радиальная базисная сеть обучена, чтобы ответить на определенные входные параметры с целевыми выходными параметрами. Однако, потому что распространение радиальных базисных нейронов слишком высоко, каждый нейрон отвечает по существу то же самое, и сеть не может быть спроектирована.
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 большое количество.
eg = 0.02; % sum-squared error goal sc = 100; % spread constant net = newrb(P,T,eg,sc);
NEWRB, neurons = 0, MSE = 0.176192
NEWRB не может правильно спроектировать радиальную базисную сеть из-за большого перекрытия входных областей радиальных базисных нейронов. Все нейроны всегда выводят 1, и так не могут использоваться, чтобы сгенерировать различные ответы. Чтобы видеть, как сеть выполняет с набором обучающих данных, симулируйте сеть с исходными входными параметрами. Постройте результаты на том же графике как набор обучающих данных.
Y = net(P); hold on; plot(P,Y); hold off;
