% RBF 神經網絡用于模式分類
% 使用平臺 - Matlab6.5
% 作者：陸振波，海軍工程大學
% 歡迎同行來信交流與合作，更多文章與程序下載請訪問我的個人主頁
% 電子郵件：luzhenbo@yahoo.com.cn
% 個人主頁：http://luzhenbo.88uu.com.cn


clc
clear
close all

%---------------------------------------------------
% 產生訓練樣本與測試樣本，每一列為一個樣本

n1 = [rand(3,5),rand(3,5)+1,rand(3,5)+2];
x1 = [repmat([1;0;0],1,5),repmat([0;1;0],1,5),repmat([0;0;1],1,5)];

n2 = [rand(3,5),rand(3,5)+1,rand(3,5)+2];
x2 = [repmat([1;0;0],1,5),repmat([0;1;0],1,5),repmat([0;0;1],1,5)]

xn_train = n1;          % 訓練樣本
dn_train = x1;          % 訓練目標

xn_test = n2;           % 測試樣本
dn_test = x2;           % 測試目標

%---------------------------------------------------
% 訓練與測試

switch 3
case 1
        
% 神經元數是訓練樣本個數
P = xn_train;
T = dn_train;
spread = 40;                % 此值越大,覆蓋的函數值就大(默認為1)
net = newrbe(P,T,spread);

case 2
    
% 神經元數逐步增加,最多就是訓練樣本個數
P = xn_train;
T = dn_train;
goal = 1e-8;               % 訓練誤差的平方和(默認為0)
spread = 40;                % 此值越大,需要的神經元就越少(默認為1)
MN = size(xn_train,2);      % 最大神經元數(默認為訓練樣本個數)
DF = 1;                     % 顯示間隔(默認為25)
net = newrb(P,T,goal,spread,MN,DF);

case 3
    
P = xn_train;
T = dn_train;
spread = 0.5;                % 此值越大,需要的神經元就越少(默認為1)
net = newgrnn(P,T,spread);
    
end

X = sim(net,xn_test);                   % 測試 - 輸出為預測值
X = full(compet(X))                     % 競爭輸出

%---------------------------------------------------
% 結果統計

Result = ~sum(abs(X-x2))               % 正確分類顯示為1
Percent = sum(Result)/length(Result)   % 正確分類率