Réseaux de neurones RBF sous matlab
Résolu/Fermé
Utilisateur anonyme
-
amino8520 -
amino8520 -
Salut,
comment utiliser le nntool sous matlab, afin d'utiliser les réseaux de neurones RBF?
comment utiliser le nntool sous matlab, afin d'utiliser les réseaux de neurones RBF?
A voir également:
- Nntool matlab
- Gnu octave matlab - Télécharger - Édition & Programmation
- Intervalle sur matlab ✓ - Forum Matlab
- Termes de Matlab ✓ - Forum Matlab
- Problème diffusion matlab - Forum Matlab
- Matlab 6.5 download - Forum Windows
6 réponses
je suis en train de préparer mon mémoire "réseau de neurone basé sur la conception de la commande d'excitation pour les systèmes de puissance via backstepping" et j'en ai besoin de savoir comment utiliser les reseaux RBF sous matlab
Vous n’avez pas trouvé la réponse que vous recherchez ?
Posez votre question
salut est ce que vous trouvez le programme de réseaux de neurones RBF sous matlab jai besoin le programme s.v.p
clear all
close all
clc
load base_jus;
whos;
x_learning=[x_training;x_validation];
y_learning=[y_training;y_validation];
y=[y_training;y_validation;y_test];
var(y);
[Ninp,Npoints] = size(x_training);
N = Npoints;
k=20;
n_neurones=2:2:20;
Sigma=0.9;
for i=1:k
index = rand*N;
index1= round(index);
if index1<=0
index1=1;
else
index1=index1;
end
c(i,:) = x_training(index1,:);
end
for t=1:20
Alpha=2/(5+t);
for p=1:1:100
for i=1:k
d(p,i)=(x_training(p,:)-c(i,:))*(x_training(p,:)-c(i,:))';
end
c_gagnant=d(1);
j=1;
for i=1:k
if c_gagnant<=d(p,i)
c_gagnant=c_gagnant;
else
c_gagnant=d(p,i);
j=i;
c(j,:)=c(j,:)+Alpha*(x_training(p,:)-c(j,:));
end
end
end
end
close all
clc
load base_jus;
whos;
x_learning=[x_training;x_validation];
y_learning=[y_training;y_validation];
y=[y_training;y_validation;y_test];
var(y);
[Ninp,Npoints] = size(x_training);
N = Npoints;
k=20;
n_neurones=2:2:20;
Sigma=0.9;
for i=1:k
index = rand*N;
index1= round(index);
if index1<=0
index1=1;
else
index1=index1;
end
c(i,:) = x_training(index1,:);
end
for t=1:20
Alpha=2/(5+t);
for p=1:1:100
for i=1:k
d(p,i)=(x_training(p,:)-c(i,:))*(x_training(p,:)-c(i,:))';
end
c_gagnant=d(1);
j=1;
for i=1:k
if c_gagnant<=d(p,i)
c_gagnant=c_gagnant;
else
c_gagnant=d(p,i);
j=i;
c(j,:)=c(j,:)+Alpha*(x_training(p,:)-c(j,:));
end
end
end
end
