RBF网络的回归方法如何用

%% 清空环境变量

clc

clear

%% 产生训练样本（训练输入，训练输出）

% ld为样本例数

ld=400; 

% 产生2*ld的矩阵 

x=rand(2,ld); 

% 将x转换到[-1.5 1.5]之间

x=(x-0.5)*1.5*2; 

% x的第一列为x1，第二列为x2.

x1=x(1,:);

x2=x(2,:);

% 计算网络输出F值

F=20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);

%% 建立RBF神经网络 

% 采用approximate RBF神经网络。spread为默认值

net=newrb(x,F);

%% 建立测试样本

% generate the testing data

interval=0.1;

[i, j]=meshgrid(-1.5:interval:1.5);

row=size(i);

tx1=i(:);

tx1=tx1&＃39;;

tx2=j(:);

tx2=tx2&＃39;;

tx=[tx1;tx2];

%% 使用建立的RBF网络进行模拟，得出网络输出

ty=sim(net,tx);

%% 使用图像，画出3维图

figure

% 真正的函数图像

interval=0.1;

[x1, x2]=meshgrid(-1.5:interval:1.5);

F = 20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2);

subplot(1,3,1)

mesh(x1,x2,F);

zlim([0,60])

title(&＃39;真正的函数图像&＃39;)

% 网络得出的函数图像

v=reshape(ty,row);

subplot(1,3,2)

mesh(i,j,v);

zlim([0,60])

title(&＃39;RBF神经网络结果&＃39;)

% 误差图像

subplot(1,3,3)

mesh(x1,x2,F-v);

zlim([0,60])

title(&＃39;误差图像&＃39;)

set(gcf,&＃39;position&＃39;,[300 ,250,900,400])