查看: 3034|回复: 3

[问题求助] k-means 优化rbf问题

字体大小: 正常放大

1 主题	7 听众	75 积分

升级 73.68%

TA的每日心情

	开心 2013-3-20 10:12

签到天数: 21 天

[LV.4]偶尔看看III

自我介绍: 北京工业大学

电梯直达

1^#

发表于 2012-12-10 22:08 |只看该作者 |正序浏览

|招呼Ta 关注Ta

谁精通k-means优化的rbf网络？我的程序有点问题想请大神看看 clc
clear
%data=xlsread('data.xls');
%train=data(1:73,

;
%test=data(78:86,

;
SamNum=96;  %训练样本
TestSamNum=24; %
Overlap=1.0; %
%输入输出矩阵
%训练数据
SamIn=[4.7200 5.6300 5.7200 6.4200 5.1400 5.2300 5.0600 5.3600 4.8700 5.1600    6.4200 5.1200 5.0200 5.2300 5.2100 4.9200 4.7200 5.7200 4.6500 5.1400 5.0600 5.1600 5.0200 5.2300 5.2500 5.1200 5.0600 5.2100 4.8700 4.7200 4.7200 5.6300 5.7200 6.4200 5.3200 4.6500 4.3400 4.9200 5.1300 5.3600 5.0700 7.8200 5.1400 5.2300 5.0600 5.3200 5.2500 5.2300 4.3400 5.1300 5.6300 7.8200 5.0600    5.0700 4.7200 5.1200 5.0600 4.9200 5.1300 5.3600 4.8700 5.3200 5.0600 5.1200 5.0600 4.9200 4.7200 7.8200 5.2100 5.1300 5.1600 5.1400 4.6500 4.3400 5.2300 4.7200 5.2500 5.6300 5.7200 6.4200 5.0200 5.0700 5.2300 5.1600 5.0200 5.0700 7.8200 4.8700 4.7200 4.6500 4.3400 5.2300 5.2500 5.2100 5.3200 5.3600
23.1000 23.4000 22.1000 23.2000 22.3000 23.7000 23.3000 18.6000 23.1000 20.7000 21.3000 20.6000 23.4000 19.3000 22.7000 20.7000 22.1000 18.5000 21.1000 23.3000 20.6000 18.4000 19.4000 22.1000 20.1000 19.3000 23.1000 23.4000 22.1000 23.2000 22.3000 19.2000 18.5000 19.3000 20.8000 20.6000 23.7000 23.3000 20.7000 18.6000 22.7000 21.3000 21.1000 20.7000 20.6000 22.1000 23.2000 19.3000 20.1000 18.4000 22.3000 20.8000 19.4000 19.2000 23.7000 22.7000 21.3000 21.1000 22.1000 20.6000 22.7000 21.3000 19.3000 23.1000 23.4000 20.7000 19.2000 23.7000 23.3000 18.5000 22.1000 18.6000 19.4000 21.1000 22.1000 20.6000 18.4000 23.2000 22.3000 19.3000 20.7000 20.1000 20.8000 20.1000 20.8000 20.6000 20.7000 18.6000 20.7000 20.6000 18.5000 19.3000 18.4000 19.4000 19.3000 19.2000
43.6000 37.2000 37.6000 49.3000 49.7000 19.9000 50.2000 22.4000 43.2000 41.3000 37.3000 36.7000 42.2000 39.2000 43.6000 37.2000 38.2000 41.7000 40.3000 41.2000 41.3000 41.3000 37.1000 38.2000 40.3000 42.2000 39.2000 43.6000 42.2000 39.2000 43.2000 50.2000 51.2000 36.7000 38.2000 41.7000 37.2000 37.6000 49.3000 41.3000 41.2000 22.4000 49.7000 19.9000 37.3000 37.1000 37.6000 49.3000 49.7000 42.2000 39.2000 19.9000 50.2000 51.2000 38.2000 51.2000 38.2000 40.3000 42.2000 22.4000 36.7000 43.6000 37.2000 37.1000 38.2000 41.7000 43.2000 41.3000 51.2000 38.2000 41.2000 37.6000 49.3000 42.2000 39.2000 40.3000 42.2000 37.3000 49.7000 19.9000 50.2000 39.2000 41.3000 39.2000 41.3000 38.2000 41.7000 42.2000 39.2000 43.2000 41.3000 41.2000 36.7000 37.1000 22.4000 37.3000
250.4000 250.1000 299.8000 149.2000 234.3000 252.4000 251.8000 192.3000 214.2000 136.4000 250.4000 120.3000 208.2000 315.2000 479.2000 243.2000 153.4000 250.1000 299.8000 308.2000 134.2000 479.2000 252.4000 251.8000 120.3000 243.2000 153.4000 136.4000 308.2000 250.4000 250.1000 299.8000 149.2000 234.3000 134.2000 137.3000 138.2000 282.3000 315.2000 198.2000 208.2000 192.3000 214.2000 103.2000 196.4000 137.3000 234.3000 198.2000 138.2000 282.3000 149.2000 103.2000 252.4000 251.8000 196.4000 208.2000 192.3000 214.2000 243.2000 134.2000 137.3000 214.2000 243.2000 153.4000 136.4000 308.2000 120.3000 250.4000 198.2000 315.2000 479.2000 250.1000 299.8000 208.2000 192.3000 138.2000 282.3000 149.2000 234.3000 196.4000 103.2000 252.4000 251.8000 153.4000 138.2000 282.3000 315.2000 479.2000 134.2000 137.3000 136.4000 308.2000 120.3000 198.2000 103.2000 196.4000];

SamOut=[92.1000 74.3000 72.1000 63.2000 105.4000 62.3000 89.1000 100.4000 106.4000  94.5000 63.2000 93.4000 93.5000 105.2000 102.3900 102.4000 92.1000 72.1000  108.3000 105.4000 112.3000 94.5000 93.5000 105.2000 103.8000 93.4000  112.3000 102.3900 106.4000 112.1000 92.1000 74.3000 72.1000 63.2000 104.2000  108.3000 89.3000 102.4000 96.1000 100.4000 92.4000 105.8000 105.4000 62.3000  89.1000 104.2000 103.8000 62.3000 89.3000 96.1000 74.3000 105.8000 89.1000 92.4000 112.1000 93.4000 112.3000 102.4000 96.1000 100.4000 106.4000  104.2000 89.1000 93.4000 112.3000 102.4000 92.1000 105.8000 102.3900 96.1000 94.5000 105.4000 108.3000 89.3000 62.3000 112.1000 103.8000 74.3000 72.1000 63.2000 93.5000 92.4000 105.2000 94.5000 93.5000 92.4000 105.8000  106.4000 112.1000 108.3000 89.3000 105.2000 103.8000 102.3900 104.2000  100.4000];
%预测数据
TestSamIn=[4.7200 5.6300 5.7200 6.4200 5.1400 5.2300 5.0600 5.1200 5.0600 4.9200 5.1300 5.1600 5.0200 5.0700 7.8200 4.8700 4.7200 4.6500 4.3400 5.2300 5.2500 5.2100 5.3200 5.3600
23.1000 23.4000 22.1000 23.2000 22.3000 23.7000 23.3000 22.7000 21.3000 21.1000 22.1000 20.1000 20.8000 20.6000 20.7000 18.6000 20.7000 20.6000 18.5000 19.3000 18.4000 19.4000 19.3000 19.2000
43.6000 37.2000 37.6000 49.3000 49.7000 19.9000 50.2000 51.2000 38.2000 40.3000 42.2000 39.2000 41.3000 38.2000 41.7000 42.2000 39.2000 43.2000 41.3000 41.2000 36.7000 37.1000 22.4000 37.3000
250.4000 250.1000 299.8000 149.2000 234.3000 252.4000 251.8000 208.2000  192.3000 214.2000 243.2000 153.4000 138.2000 282.3000 315.2000 479.2000  134.2000 137.3000 136.4000 308.2000 120.3000 198.2000 103.2000 196.4000
];
TestSamOut=[92.1000 74.3000 72.1000 63.2000 105.4000 62.3000 89.1000 93.4000  112.3000 102.4000 96.1000 94.5000 93.5000 92.4000 105.8000 106.4000 112.1000  108.3000 89.3000 105.2000 103.8000 102.3900 104.2000 100.4000];
%节点数
InDim=4;  %输入节点
ClusterNum=5;  %隐含节点
%初始化中心
Centers=SamIn(:,1:ClusterNum);
NumberInClusters=zeros(ClusterNum,1);
IndexInClusters=zeros(ClusterNum,SamNum);
%迭代求解均值中心
while 1
NumberInClusters=zeros(ClusterNum,1);
IndexInClusters=zeros(ClusterNum,SamNum);

%计算样本点到中心的距离
for i=1:SamNum
      AllDistance=dist(Centers',SamIn(:,i));
      [MinDist,Pos]=min(AllDistance);
      NumberInClusters(Pos)=NumberInClusters(Pos)+1;
      IndexInClusters(Pos,NumberInClusters(Pos))=i;
end
%保存旧的聚类中心
OldCenters=Centers;

%根据中心聚类，并得到新的类内均值
for i=1:ClusterNum
      Index=IndexInClusters(i,1:NumberInClusters(i));
      Centers(:,i)=mean(SamIn(:,Index)')'
end

%判断中心有没有变化
EqualNum=sum(sum(Centers==OldCenters));
if EqualNum==InDim*ClusterNum
      break
end
end

%计算各隐节点的扩展常数（宽度）
AllDistances=dist(Centers',Centers);
Maximun=max(max(AllDistance));%找出其中最大的一个距离
for i=1:ClusterNum  %将对角线上的0替换为较大的值
AllDistances(i,i)=Maximun+1;
end
Spreads=Overlap*min(AllDistances)';%以隐节点间的最小距离作为扩展常数
%用最小二乘法得到权值
Distance=dist(Centers',SamIn);%计算各样本输入离各数据中心的距离
SpreadsMat=repmat(Spreads,1,SamNum);
HiddenUnitOut=radbas(Distance./SpreadsMat);
HiddenUnitOutEx=[HiddenUnitOut' ones(SamNum,1)]';
W2Ex=SamOut*pinv(HiddenUnitOutEx);
W2=W2Ex(:,1:ClusterNum);
B2=W2Ex(:,ClusterNum+1);
for i=1:96
SamNNOut(:,i)=W2*HiddenUnitOut(:,i)+B2;
end

%预测数据输出
TestDistance=dist(Centers',TestSamIn);
TestSpreadsMat=repmat(Spreads,1,TestSamNum);
TestHiddenUnitOut=radbas(TestDistance./TestSpreadsMat);
[n2,m2]=size(TestSamOut);
for i=1:m2
TestNNOut(:,i)=W2*TestHiddenUnitOut(:,i)+B2;
end
figure (1);
plot(1:96,SamOut(1:96),'-r*',1:96,SamNNOut(1:96),'-g*')
%plot(TestSamIn,TestNNOut,'-r*')
%hold on
figure (2);
plot(1:24,TestSamOut(1:24),'-r*',1:24,TestNNOut(1:24),'-g*')
legend('预测输出','实际输出')
%plot(TestNNOut-TestSamOut)

当隐含层节点数大于5时就会出现死循环，大家看看是怎么回事啊

zan

优化