Un guide pour créer et former des réseaux de neurones RBF à l'aide de MATLAB

Le réseau neuronal à base radiale est un modèle de réseau neuronal largement utilisé dans des problèmes tels que l'ajustement de fonctions, la classification et le clustering. Il utilise la fonction de base radiale comme fonction d'activation, ce qui lui confère d'excellentes capacités d'ajustement non linéaire et une convergence rapide. Par conséquent, les réseaux neuronaux à base radiale ont été largement utilisés dans de nombreux domaines d’application en ingénierie.

Dans MATLAB, vous pouvez créer et entraîner le modèle RBFNN à l'aide des fonctions de la boîte à outils Neural Network Toolbox. Parmi eux, les objets RBFNN peuvent être créés via la fonction newrb, et entraînés et prédits via les fonctions train et sim. Le format de syntaxe de la fonction

newrb est :

net = newrb(P,T,GOAL,SPREAD,MN,DF)

où, P est les données d'entrée, T est les données cibles, GOAL est l'erreur cible d'entraînement, SPREAD est la largeur de la base radiale, MN est le nombre minimum de temps de formation, et DF est le nombre maximum de temps de formation. Cette fonction renvoie un réseau d'objets RBFNN pour un entraînement et une prédiction ultérieurs.

Le format de syntaxe de la fonction train est :

[net,tr,Y,E] = train(net,P,T,Pi,Ai)

où, net est l'objet RBFNN, P est les données d'entrée, T est les données cibles, Pi et Ai sont les paramètres de l'algorithme d'entraînement, tr est le enregistrement de formation, et Y est la sortie prédite, E est l'erreur.

Le format de syntaxe de la fonction sim est :

Y = sim(net,P)

où, net est l'objet RBFNN, P est les données d'entrée et Y est la sortie prédite.

Lors de la construction du modèle RBFNN, le paramètre clé est la largeur de base radiale SPREAD, qui contrôle la largeur et le nombre de fonctions de base radiale, ce qui à son tour affecte la capacité d'ajustement non linéaire et les performances de généralisation du modèle. Normalement, le choix de SPREAD nécessite des expérimentations pour obtenir les meilleurs résultats.

Lors de la formation du modèle RBFNN, vous pouvez utiliser différents algorithmes de formation, tels que des algorithmes de formation basés sur la descente de gradient et des algorithmes de formation basés sur les moindres carrés. Parmi eux, l'algorithme d'entraînement basé sur la descente de gradient peut être défini via les paramètres Pi et Ai de la fonction train. Par exemple, utilisez la fonction trainlm pour l'entraînement, où Pi est la taille du pas d'entraînement et Ai est l'accélération de l'entraînement.

Ce qui suit présentera les étapes spécifiques sur la façon d'utiliser MATLAB pour créer et former le modèle RBFNN.

1. Préparer les données

Tout d'abord, vous devez préparer les données, y compris les données d'entrée et les données cibles. Les données d'entrée sont généralement une matrice, chaque ligne représentant un échantillon et chaque colonne représentant une caractéristique. Les données cibles sont généralement un vecteur, chaque élément représente la valeur cible d'un échantillon.

2. Créez un objet RBFNN

Utilisez la fonction newrb pour créer un objet RBFNN. Le format de syntaxe de la fonction newrb est :

net = newrb(P,T,GOAL,SPREAD,MN,DF)

Parmi eux, P est les données d'entrée, T est les données cibles, GOAL est l'erreur cible d'entraînement, SPREAD est la largeur de la base radiale, MN est le nombre minimum de temps d'entraînement, et DF est le nombre maximum de temps d'entraînement. Cette fonction renvoie un réseau d'objets RBFNN pour un entraînement et une prédiction ultérieurs.

3. Entraînez le modèle RBFNN

Utilisez la fonction d'entraînement pour entraîner le modèle RBFNN. Le format syntaxique de la fonction train est :

[net,tr,Y,E] = train(net,P,T,Pi,Ai)

Parmi eux, net est l'objet RBFNN, P est les données d'entrée, T est les données cibles, Pi et Ai sont les paramètres de l'algorithme d'entraînement, tr est l'enregistrement d'entraînement, Y est la sortie prédite et E est l'erreur.

Les paramètres Pi et Ai de la fonction train peuvent être définis selon différents algorithmes d'entraînement. Par exemple, lorsque vous utilisez l'algorithme d'entraînement trainlm basé sur la descente de gradient, vous pouvez définir Pi comme taille de pas d'entraînement et Ai comme accélération d'entraînement.

4. Prédiction

Utilisez la fonction SIM pour prédire de nouvelles données. Le format de syntaxe de la fonction sim est :

Y = sim(net,P)

où, net est l'objet RBFNN, P est les données d'entrée et Y est la sortie prédite.

5. Évaluer les performances du modèle

Utilisez divers indicateurs de performance pour évaluer le modèle, tels que l'erreur quadratique moyenne, l'exactitude de la classification, le rappel, la précision, etc. Ces indicateurs peuvent être calculés à l'aide des fonctions de corrélation dans MATLAB.

Ce qui suit est un exemple de code complet pour la construction et la formation du modèle RBFNN :

# 准备数据
load iris_dataset
inputs = irisInputs;
targets = irisTargets;

# 创建RBFNN对象
spread = 1;
net = newrb(inputs, targets, 0, spread, 10, 50);

# 训练RBFNN模型
[net, tr] = train(net, inputs, targets);

# 预测
outputs = sim(net, inputs);

# 评估模型性能
mse = perform(net, targets, outputs);

Dans cet exemple, utilisez d'abord la fonction de chargement pour charger l'ensemble de données de fleur d'iris, puis stockez les données d'entrée et les données cibles dans les entrées. et cible les variables respectivement moyennes. Utilisez ensuite la fonction newrb pour créer le réseau d'objets RBFNN, définissez la largeur de la base radiale sur 1, le nombre minimum de temps d'entraînement sur 10 et le nombre maximum de temps d'entraînement sur 50. Utilisez ensuite la fonction train pour entraîner le modèle RBFNN et renvoyer l'enregistrement d'entraînement tr. Enfin, la fonction sim est utilisée pour prédire les données d'entrée et la fonction perform est utilisée pour calculer l'erreur quadratique moyenne mse.

Il convient de noter que dans les applications réelles, les paramètres et les algorithmes d'entraînement appropriés doivent être sélectionnés en fonction de problèmes spécifiques pour obtenir les meilleures performances du modèle.

En général, le modèle RBFNN peut être utilisé pour résoudre divers problèmes, tels que l'ajustement de fonctions, la classification, le clustering, etc. Par exemple, dans les problèmes d'ajustement de fonctions, le modèle RBFNN peut être utilisé pour ajuster des fonctions non linéaires, telles que les fonctions sinus, les fonctions cosinus, etc. Dans les problèmes de classification, le modèle RBFNN peut être utilisé pour classer des données, telles que la reconnaissance de chiffres manuscrits, la reconnaissance faciale, etc. Dans les problèmes de clustering, le modèle RBFNN peut être utilisé pour regrouper des données, telles que la segmentation d'images, le clustering de texte, etc.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!