% RBF 神經(jīng)網(wǎng)絡(luò)用于模式分類
% 使用平臺 - Matlab6.5
% 作者：陸振波，海軍工程大學(xué)
% 歡迎同行來信交流與合作，更多文章與程序下載請?jiān)L問我的個(gè)人主頁
% 電子郵件：luzhenbo@yahoo.com.cn
% 個(gè)人主頁：http://luzhenbo.88uu.com.cn


clc
clear
close all

%---------------------------------------------------
% 產(chǎn)生訓(xùn)練樣本與測試樣本，每一列為一個(gè)樣本

P1 = [rand(3,5),rand(3,5)+1,rand(3,5)+2];
T1 = [repmat([1;0;0],1,5),repmat([0;1;0],1,5),repmat([0;0;1],1,5)];

P2 = [rand(3,5),rand(3,5)+1,rand(3,5)+2];
T2 = [repmat([1;0;0],1,5),repmat([0;1;0],1,5),repmat([0;0;1],1,5)];

%---------------------------------------------------
% 歸一化

[PN1,minp,maxp] = premnmx(P1);
PN2 = tramnmx(P2,minp,maxp);

%---------------------------------------------------
% 訓(xùn)練

switch 2
case 1
        
% 神經(jīng)元數(shù)是訓(xùn)練樣本個(gè)數(shù)
spread = 1;                   % 此值越大,覆蓋的函數(shù)值就大(默認(rèn)為1)
net = newrbe(PN1,T1,spread);

case 2
    
% 神經(jīng)元數(shù)逐步增加,最多就是訓(xùn)練樣本個(gè)數(shù)
goal = 1e-4;                    % 訓(xùn)練誤差的平方和(默認(rèn)為0)
spread = 1;                   % 此值越大,需要的神經(jīng)元就越少(默認(rèn)為1)
MN = size(PN1,2);               % 最大神經(jīng)元數(shù)(默認(rèn)為訓(xùn)練樣本個(gè)數(shù))
DF = 1;                         % 顯示間隔(默認(rèn)為25)
net = newrb(PN1,T1,goal,spread,MN,DF);

case 3
    
spread = 1;                   % 此值越大,需要的神經(jīng)元就越少(默認(rèn)為1)
net = newgrnn(PN1,T1,spread);
    
end

%---------------------------------------------------
% 測試

Y1 = sim(net,PN1);             % 訓(xùn)練樣本實(shí)際輸出
Y2 = sim(net,PN2);             % 測試樣本實(shí)際輸出

Y1 = full(compet(Y1));         % 競爭輸出
Y2 = full(compet(Y2));          

%---------------------------------------------------
% 結(jié)果統(tǒng)計(jì)

Result = ~sum(abs(T1-Y1))                 % 正確分類顯示為1
Percent1 = sum(Result)/length(Result)      % 訓(xùn)練樣本正確分類率

Result = ~sum(abs(T2-Y2))                 % 正確分類顯示為1
Percent2 = sum(Result)/length(Result)      % 測試樣本正確分類率