نحوه پیاده سازی شبکه های RBF به همین صورت است؟

[habib2]

با سلام خدمت شما اساتید و دوستان محترم

با نحوه پیاده سازی شبکه MLP تا حدی آشنا هستم... اما از اونجایی که بردارهای آموزشی مدلم زیاده می خواهم مدلمو با این شبکه ها هم تست کنم احتمالاً نتیجه خوبه میده
از دستور newrbe استفاده کردم...>>
بعد اینکه بردارهای P , T وارد WorkSpace کردم، با دستور زیر شبکهُ ساختم:
net=newrbe (P,T,SPREAD;
مقدار SPREAD به نظرم باید با سعی و خطا مشخص بشه نمیدونم درسته یا نه؟ مقدار SPREAD که عوض میکنم، warning rank میده که به نظرم باید مقدار SPREAD کاهش بدم تا rank افزایش پیدا کنه. ولی هر مقدارم که SPREAD کم میکنم باز هم rank رو یک مقدار حداکثر ثابت میمونه! اما باز هم warning rank دیده میشه !!!!
سوال اولم اینه که فرمولی برای محاسبه عدد SPREAD وجود نداره؟ چطور میتونم مقدار بهینه این عددُ پیدا کنم؟
سوال دوم اینه با همین کد بالا مدل پیاده سازی میشه؟ آخه خیلی کوتاه به نظر میرسه.
سوال سوم اینه که این شبکه مثله MLP نیاز با آموزش نداره؟ (net1=train(net,P,T
چهارم آیا نیاز به نرمالسازی داده ها دارم؟

[habib2]

پاسخ : نحوه پیاده سازی شبکه های RBF به همین صورت است؟

از دوستان عزیز کسی نیست به داد من برسه؟

[alirezaasv]

پاسخ : نحوه پیاده سازی شبکه های RBF به همین صورت است؟

تو help مطلب بخوبی توضیح داده شده
اول اینکه دو تا RBF در مطلب هست
newrb و newrbe هر دو اصولش یکیه
ولی در newrbe به تعداد ورودی نرون می سازه که قابلیت تعمیم کمی داره و اگه نمونه های آموزشتون زیاد باشه از گزینه خارجه
دومی newrb هست که به تعدادی نرون می سازه که به خطای دلخواه برسی
دستورشم اینه:
[net,tr] = newrb(P,T,goal,spread,MN,DF)
که
P
R x Q matrix of Q input vectors
T
S x Q matrix of Q target class vectors
goal
Mean squared error goal (default = 0.0)
spread
Spread of radial basis functions (default = 1.0)
MN
Maximum number of neurons (default is Q)
DF
Number of neurons to add between displays (default = 25)
توجه کن که تعداد نمونه هات Q است
این هم یک مثال ساده از مطلب:

Here you design a radial basis network, given inputs P and targets T.

*

P = [1 2 3];
T = [2.0 4.1 5.9];
net = newrb(P,T);

The network is simulated for a new input.

*

P = 1.5;
Y = sim(net,P)
و اما راجع به Spread باید طوری انتخاب شه که از فاصله ی بین نمو نه هات بیشتر باشه و از کل بازه ات کمتر باشه
مثلا اگر داری رو تصویر با مقادیر greylevel بین 0 تا 255 کار می کنی از اونجا که فاصله نمونه ها 1 است باید spread بزرگتر از 1 باشه
و از اونجا که کل بازه برابر با 255-0=255 است باید حداکثر اون 255 باشه
متاسفانه تو مطلب مقدار همه Spread ها یکسانه پس باید یه حلقه درست کنی مقدار SPREAD رو بین 1 تا 255 تغییر بدی و هر بار خطا تو ذخیره کنی
و بهترین Spread که کمترین خطا رو ایجاد می کنه save کنی
ایشالا که توضیحات مفید بوده باشه چون خسته شدم :job:

[habib2]

پاسخ : نحوه پیاده سازی شبکه های RBF به همین صورت است؟

Alireza jan besyar sepasgozaram
help matlabo khoondam ama shoma besyar behtar tafhimam kardi
mamnoon ke zahmat keshidi