編程實(shí)現(xiàn)Hermit多項(xiàng)式的逼近問(wèn)題(智能控制技術(shù)試驗(yàn))

智能控制理論與應(yīng)用實(shí)驗(yàn)實(shí)驗(yàn)三：利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱編程實(shí)現(xiàn)Hermit多項(xiàng)式逼近一、 實(shí)驗(yàn)?zāi)康模杭由顚?duì)神經(jīng)網(wǎng)絡(luò)控制概念的理解；掌握神經(jīng)網(wǎng)絡(luò)工具箱的應(yīng)用；熟練編程操作。二、 實(shí)驗(yàn)內(nèi)容：利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱編程實(shí)現(xiàn)Hermit多項(xiàng)式逼近。三、 實(shí)驗(yàn)步驟：F(x)=1.1*(1一x+2*x2)exp(一x2/2)訓(xùn)練樣本按以下方式產(chǎn)生：樣本數(shù)P=100,其中輸入樣本X1服從區(qū)間［-4,4］內(nèi)的均勻分布，樣本輸出為F(xi)+ei,ei為添加的噪聲，服從均值為0,標(biāo)準(zhǔn)差為0.1的正態(tài)分布。試用聚類(lèi)方法求數(shù)據(jù)中心和擴(kuò)展常數(shù)，輸出權(quán)值和閾值用偽逆法求解。隱節(jié)點(diǎn)數(shù)M=10，隱節(jié)點(diǎn)重疊系數(shù)入=1,初始聚類(lèi)中心取前10個(gè)訓(xùn)練樣本。試用梯度算法訓(xùn)練RBF網(wǎng)絡(luò)，設(shè)n=0.001，M=10，初始權(quán)值為［-0.1,0.1］內(nèi)的隨機(jī)數(shù)，初始數(shù)據(jù)中心為［-4.0,4.0］內(nèi)的隨機(jī)數(shù)，初始擴(kuò)展常數(shù)取［0.1,0.3］內(nèi)的隨機(jī)數(shù)，目標(biāo)誤差為0.9，最大訓(xùn)練次數(shù)為5000。編寫(xiě)代碼如下：functionmain()SamNum=100;TestSamNum=101;InDim=1;ClusterNum=10;0verdap=1.0;rand('state',sum(100*clock))NoiseVar=0.1;Noise二NoiseVar*rand(1,SamNum);Samln=8*rand(1,SamNum)-4;SamOutNoNoise=1.1*(1-SamIn+2*SamIn."2).*exp(-SamIn.“2/2);SamOut二SamOutNoNoise+Noise;TestSamIn=-4:0.08:4;TestSamOut=1.1*(1-TestSamIn+2*TestSamIn「2).*exp(-TestSamIn「2/2);figureholdongridplot(SamIn,SamOut,'k+')plot(TestSamIn,TestSamOut,'k-')xlabel('Inputx');ylabel('Outputy');Centers二SamIn(:,l:ClusterNum);NumberlnClustem二zeros(ClusterNum,l);IndexInClusters二zeros(ClusterNum,SamNum);while1NumberInClustem二zeros(ClusterNum,l);IndexInClusters二zeros(ClusterNum,SamNum);fori=1:SantNumAllDistance二dist(Center,SamIn(:,i);[MinDist,Pos]二min(AllDistance);NumberInClusters(pos)二NumberInClusters(pos)+l;IndexInClusters(Pos,NumberInClusters(Pos))二i;endOldCenters二Centers;fori=1:ClusterNumIndex=IndexInClusters(i,l:NumberInClusters((i));Centers(:,i)=mean(SamIn(:,Index)')';endEqualNum二Sum(sun(Centers==OldCenters));ifEqualNum==InDim*ClusterNum,break,endendAllDistances二dist(Centers',Centers);Maximum二max(max(AllDistances));fori=1:ClusterNumAllDistances(i,i)二Maximum+1;endSpreads=Overlap*min(AllDistances)';Distance二dist(Centers',SamIn);SpreadsMat二repmat(Spreads,l,SamNunl);HiddenUnitOut二radbas(Distance./SpreadsMat)HiddenUnitOutEx二[HiddenUnitOut'ones(SamNum,l)]';W2Ex=SamOut*pinv(HiddenUnitOutEx);W2=W2Ex(:,1:ClusterNum);B2=W2Ex(:,ClusterNum+1);TestDistance二dist(Centers',TestSamIn);TestSpreadsMat二repmat(Spreads,l,TeasSamNum);TestHiddenUnitOut二radbas(TestDistance./TestSpreadsMat);TestNNOut二W2*TestHiddenUnitOut+B2;plot(TestSamIn,TestNN+t,'k-')編寫(xiě)代碼說(shuō)明：SamNum為訓(xùn)練樣本數(shù)；TestSamNum為測(cè)試樣本數(shù)；InDim為樣本輸入維數(shù)；ClusterNum為隱節(jié)點(diǎn)數(shù)，即聚類(lèi)樣本數(shù)；Overdap為隱節(jié)點(diǎn)重疊系數(shù)；在while語(yǔ)句之前將各類(lèi)樣本數(shù)初始化為零，語(yǔ)句如下：NumberInClustem二zeros(ClusterNum,l);IndexInClusters二zeros(ClusterNum,SamNum)表示各類(lèi)語(yǔ)句的索取號(hào)；然后按照最小距離原則對(duì)所有樣本進(jìn)行分類(lèi)，保存了舊的聚類(lèi)中心后再重新計(jì)算各類(lèi)的聚類(lèi)中心，如果新舊聚類(lèi)中心一致，貝U結(jié)束聚類(lèi)。聚類(lèi)結(jié)束之后開(kāi)始計(jì)算各隱節(jié)