基于RBF网络的信任值预测算法matlab仿真实现

Posted 2022-11-27 fpga和matlab

·目录

一、理论基础

二、核心程序

三、测试结果

---

一、理论基础

     测试的数据集有三种趋势型（trend），周期型（seasonal）还有混乱型的（noisy data）。三种类型要做训练集增加的测试（increasing testing set），测试集增加的测试(increasing testing set)和选择点测试(the optional point). 其中得出预测信任值（见照片图表）。

测试标准有4个：

1.误方差（mean squared error）小于1.  

2.标准差（standard deviation）

3.标准差率（standard Deviation Ratio）即预测标准差除以实际标准差，小于1.0.  

4.皮尔逊相关系数 person’s correlation coefficient -1到1.

       RBF神经网络是一种三层神经网络，包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间的变换是线性的。

       RBF网络是一种局部逼近网络,对于每个训练祥本,它只需要对少量的权值和阈值进行修正,因此训练速度快。RBF神将网络是一种三层神经网络，其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接。当RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。

二、核心程序

clc;
clear;
close all;
warning off;


load data1.mat

%%
%选择100个数据作为输入
Data = data1(1:100);

%%
%选择20个训练数据
t11         = 1:10;
Train_data1 = Data(1:10);
t12         = 1:10;

spread = 1;
goal   = 0.01;
df     = 1;
mn     = length(t11);
net    = newrb(t11,Train_data1,goal,spread,mn,df); 

yc1    = sim(net,t12);

 

%%
%选择70个训练数据
t21         = 1:60;
Train_data2 = Data(1:60);
t22         = 1:60;

spread = 1;
goal   = 0.01;
df     = 1;
mn     = length(t21);
net    = newrb(t22,Train_data2,goal,spread,mn,df); 
yc2    = sim(net,t22);

figure;
plot(t21,Train_data2,'b-o');
hold on;
plot(t22,yc2,'r-*');
hold off;
grid on;



%%
%%对比计算结果
mser11 = func_mse(Train_data1);
mser12 = func_mse(yc1);
sder1  = func_sd(yc1);
sdrer1 = func_sdr(yc1,Train_data1);
coeff1 = func_pcc(yc1,Train_data1);

fprintf('Inputs    Train data points    MSE training    MSE testing     PCC         SDR         SD\\n');
fprintf('-----------------------------------------------------------------------------------------------\\n');
fprintf('100       20                   ');
fprintf('%2.6f        ',mser11);
fprintf('%2.6f        ',mser12);
fprintf('%2.6f    ',coeff1);
fprintf('%2.6f    ',sdrer1);
fprintf('%2.6f    ',sder1);
fprintf('\\n');
fprintf('-----------------------------------------------------------------------------------------------\\n');

mser21 = func_mse(Train_data2);
mser22 = func_mse(yc2);
sder2  = func_sd(yc2);
sdrer2 = func_sdr(yc2,Train_data2);
coeff2 = func_pcc(yc2,Train_data2);

fprintf('100       70                   ');
fprintf('%2.6f        ',mser21);
fprintf('%2.6f        ',mser22);
fprintf('%2.6f    ',coeff2);
fprintf('%2.6f    ',sdrer2);
fprintf('%2.6f    ',sder2);
fprintf('\\n');
fprintf('-----------------------------------------------------------------------------------------------\\n');


%%
%下面的程序是画图
cnt = 0;
for i = 10:2:60
    i
    cnt         = cnt + 1;
    t01         = 1:i;
    Train_data0 = Data(1:i);
    t02         = 1:i;
    spread      = 1;
    goal        = 0.01;
    df          = 1;
    mn          = length(t01);
    net         = newrb(t02,Train_data0,goal,spread,mn,df); 
    yc0         = sim(net,t02);
    %%
    %%对比计算结果
    mser01(cnt) = func_mse(Train_data0);
    mser02(cnt) = func_mse(yc0);
    sder0(cnt)  = func_sd(yc0);
    sdrer0(cnt) = func_sdr(yc0,Train_data0);   
end

figure;
plot(10:2:60,mser01,'b-o');hold on;
plot(10:2:60,mser02,'r-^');hold on;
plot(10:2:60,sder0,'k-o');hold on;
plot(10:2:60,sdrer0,'m-*');hold on;
grid on;
legend('MSER1','MSER2','SD','SDR');
xlabel('training increasing');
ylabel('error value');

三、测试结果

A05-08