function main()
%%基于聚類的RBF網設計算法
tic
SamNum=100;  %訓練樣本數
TestSamNum=101;  %測試樣本數
InDim=1;  %輸入樣本維數
ClusterNum=10;  %隱節點數即聚類樣本數
Overdap=1.0;  %隱節點重疊系數
 
%根據樣本目標函數獲得樣本輸入/輸出
rand('state',sum(100*clock))  %產生均勻分布的隨機矩陣，元素0.0－1.0
NoiseVar=0.1;
Noise=NoiseVar*randn(1,SamNum);  %產生正態分布的隨機矩陣
SamIn=8*rand(1,SamNum)-4;
SamOutNoise=1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);
SamOut=SamOutNoise+Noise;

TestSamIn=-4:0.08:4;
TestSamOut=1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2);

figure
hold on
grid
plot(SamIn,SamOut,'r+')
plot(TestSamIn,TestSamOut,'b-')
xlabel('Inputx');
ylabel('Outputy');

Centers=SamIn(:,1:ClusterNum);  %初始聚類中心為前10個訓練樣本

NumberInClusters=zeros(ClusterNum,1);  %各類中的樣本數，初始化為0
IndexClusters=zeros(ClusterNum,SamNum);  %各類中所含樣本的索引號
% n=1;
while 1,
% while n<=100,
    NumberInClusters = zeros(ClusterNum,1);         % 各類中的樣本數，初始化為零
    IndexInClusters = zeros(ClusterNum,SamNum);     % 各類所含樣本的索引號
    %按最小距離原則對所有樣本進行分類
    for i=1:SamNum
        AllDistance=dist(Centers',SamIn(:,i));
        [MinDist,Pos]=min(AllDistance);
        NumberInClusters(Pos)=NumberInClusters(Pos)+1;% add one to the corresponding cluster centre
        IndexInClusters(Pos,NumberInClusters(Pos))=i;% add index to the cluster
    end
    %保存舊的聚類中心
    OldCenters=Centers;
    %重新計算各類的聚類中心    
    for i=1:ClusterNum
        Index=IndexInClusters(i,1:NumberInClusters(i));
        Centers(:,i)=mean(SamIn(:,Index)')';% 用各類的平均做為中心
    end
%     判斷新舊聚類中心是否一致，是則結束聚類
   EqualNum=sum(sum(Centers==OldCenters));
   if EqualNum==InDim*ClusterNum;
      break;
    end
%     n=n+1;
end  
  %計算各隱節點的擴展常數      
AllDistance=dist(Centers',Centers);  %計算隱節點數據中心間的距離（矩陣）
Maximum=max(max(AllDistance));   %找出其中最大的一個距離 
for i=1:ClusterNum    %將對角線上的0替換為較大的值
    AllDistance(i,i)=Maximum+1;
end
Spreads=Overdap*min(AllDistance)';  %以隱節點間的最小距離做為擴展常數

%  計算各隱節點的輸出權值  
Distance=dist(Centers',SamIn);  %計算各樣本輸入離各數據中心的距離    
SpreadsMat=repmat(Spreads,1,SamNum); 
HiddenUnitOut=radbas(Distance./SpreadsMat);  %計算隱節點輸出矩陣
HiddenUnitOutEx=[HiddenUnitOut' ones(SamNum,1)]';  %考慮閾值
W2Ex=SamOut*pinv(HiddenUnitOutEx);  %求廣義輸出權值
W2=W2Ex(:,1:ClusterNum);  %輸出權值
B2=W2Ex(:,ClusterNum+1);  %閾值

%測試
TestDistance=dist(Centers',TestSamIn);
TestSpreadsMat=repmat(Spreads,1,TestSamNum);
TestHiddenUnitOut=radbas(TestDistance./TestSpreadsMat);
TestNNOut=W2*TestHiddenUnitOut+B2;

plot(TestSamIn,TestNNOut,'g-');

toc
W2;
B2;
Centers