Спроектируйте радиальную базисную сеть
net = newrb(P,T,goal,spread,MN,DF)
P R- Q матрица Q входные векторы
T S- Q матрица Q целевые векторы класса
goal — Цель среднеквадратической ошибки
spread — Распространение радиальных основных функций
MN — Максимальное количество нейронов
DF — Количество нейронов, чтобы добавить между отображениями
Радиальные базисные сети могут использоваться, чтобы аппроксимировать функции. newrb добавляют нейроны к скрытому слою радиальной базисной сети, пока он не удовлетворяет заданной цели среднеквадратической ошибки.
Больший spread более сглаженное приближение функций. Слишком большое распространение означает, что много нейронов требуется, чтобы соответствовать быстро изменяющейся функции. Слишком маленькое распространение означает, что много нейронов требуются, чтобы соответствовать сглаженной функции, и сетевая сила не делает вывод хорошо. Вызовите newrb с различными распространениями, чтобы найти оптимальное значение для данной проблемы.
newrb создает сеть 2D слоя. Первый слой имеет radbas нейроны, и вычисляют его взвешенные входные параметры с dist и его сетевой вход с netprod. Второй слой имеет purelin нейроны, и вычисляют его взвешенный вход с dotprod и его сетевые входные параметры с netsum. Оба слоя имеют смещения.
Первоначально radbas слой не имеет никаких нейронов. Следующие шаги повторяются, пока среднеквадратическая ошибка сети не падает ниже goal.
Сеть симулирована.
Входной вектор с самой большой ошибкой найден.
radbas нейрон добавляется с весами, равными тому вектору.
purelin веса слоя перепроектированы, чтобы минимизировать ошибку.