RBF神经网络简单介绍与MATLAB实现

RBF的直观介绍
RBF是一种两层的网络

RBF的隐层是一种非线性的映射

RBF输出层是线性的

RBF的基本思想是将数据转化到高维空间使其在高维空间线性可分

RBF学习算法
Lazy RBF

MATLAB实现RBF神经网络

RBF的直观介绍

RBF具体原理，网络上很多文章一定讲得比我好，所以我也不费口舌了，这里只说一说对RBF网络的一些直观的认识

1 RBF是一种两层的网络

是的，RBF结构上并不复杂，只有两层：隐层和输出层。其模型可以数学表示为：

yj=∑i=1nwijϕ(∥x−ui∥2),(j=1,…,p)

2 RBF的隐层是一种非线性的映射

RBF隐层常用激活函数是高斯函数：

ϕ(∥x−u∥)=e−∥x−u∥2σ2

3 RBF输出层是线性的

4 RBF的基本思想是：将数据转化到高维空间，使其在高维空间线性可分

RBF隐层将数据转化到高维空间（一般是高维），认为存在某个高维空间能够使得数据在这个空间是线性可分的。因此啊，输出层是线性的。这和核方法的思想是一样一样的。下面举个老师PPT上的例子：



上面的例子，就将原来的数据，用高斯函数转换到了另一个二维空间中。在这个空间里，XOR问题得到解决。可以看到，转换的空间不一定是比原来高维的。

RBF学习算法

对于上图的RBF网络，其未知量有：中心向量ui，高斯函数中常数σ，输出层权值W。

学习算法的整个流程大致如下图：



具体可以描述为：

1. 利用kmeans算法寻找中心向量ui

2. 利用kNN(K nearest neighbor)rule 计算 σ

σi=1K∑k=1K∥uk−ui∥2−−−−−−−−−−−−−−⎷

3. W可以利用最小二乘法求得

Lazy RBF

可以看到原来的RBF挺麻烦的，又是kmeans又是knn。后来就有人提出了lazy RBF，就是不用kmeans找中心向量了，将训练集的每一个数据都当成是中心向量。这样的话，核矩阵Φ就是一个方阵，并且只要保证训练中的数据是不同的，核矩阵Φ就是可逆的。这种方法确实lazy，缺点就是如果训练集很大，会导致核矩阵Φ也很大，并且要保证训练集个数要大于每个训练数据的维数。

MATLAB实现RBF神经网络

下面实现的RBF只有一个输出，供大家参考参考。对于多个输出，其实也很简单，就是W变成了多个，这里就不实现了。

demo.m 对XOR数据进行了RBF的训练和预测，展现了整个流程。最后的几行代码是利用封装形式进行训练和预测。

clc;
clear all;
close all;

%% ---- Build a training set of a similar version of XOR
c_1 = [0 0];
c_2 = [1 1];
c_3 = [0 1];
c_4 = [1 0];

n_L1 = 20; % number of label 1
n_L2 = 20; % number of label 2

A = zeros(n_L1*2, 3);
A(:,3) = 1;
B = zeros(n_L2*2, 3);
B(:,3) = 0;

% create random points
for i=1:n_L1
A(i, 1:2) = c_1 + rand(1,2)/2;
A(i+n_L1, 1:2) = c_2 + rand(1,2)/2;
end
for i=1:n_L2
B(i, 1:2) = c_3 + rand(1,2)/2;
B(i+n_L2, 1:2) = c_4 + rand(1,2)/2;
end

% show points
scatter(A(:,1), A(:,2),[],'r');
hold on
scatter(B(:,1), B(:,2),[],'g');
X = [A;B];
data = X(:,1:2);
label = X(:,3);

%% Using kmeans to find cinter vector
n_center_vec = 10;
rng(1);
[idx, C] = kmeans(data, n_center_vec);
hold on
scatter(C(:,1), C(:,2), 'b', 'LineWidth', 2);

%% Calulate sigma
n_data = size(X,1);

% calculate K
K = zeros(n_center_vec, 1);
for i=1:n_center_vec
K(i) = numel(find(idx == i));
end

% Using knnsearch to find K nearest neighbor points for each center vector
% then calucate sigma
sigma = zeros(n_center_vec, 1);
for i=1:n_center_vec
[n, d] = knnsearch(data, C(i,:), 'k', K(i));
L2 = (bsxfun(@minus, data(n,:), C(i,:)).^2);
L2 = sum(L2(:));
sigma(i) = sqrt(1/K(i)*L2);
end

%% Calutate weights
% kernel matrix
k_mat = zeros(n_data, n_center_vec);

for i=1:n_center_vec
r = bsxfun(@minus, data, C(i,:)).^2;
r = sum(r,2);
k_mat(:,i) = exp((-r.^2)/(2*sigma(i)^2));
end

W = pinv(k_mat'*k_mat)*k_mat'*label;
y = k_mat*W;
%y(y>=0.5) = 1;
%y(y<0.5) = 0;

%% training function and predict function
[W1, sigma1, C1] = RBF_training(data, label, 10);
y1 = RBF_predict(data, W, sigma, C1);
[W2, sigma2, C2] = lazyRBF_training(data, label, 2);
y2 = RBF_predict(data, W2, sigma2, C2);

上图是XOR训练集。其中蓝色的kmenas选取的中心向量。中心向量要取多少个呢？这也是玄学问题，总之不要太少就行，代码中取了10个，但是从结果y来看，其实对于XOR问题来说，4个就可以了。

RBF_training.m 对demo.m中训练的过程进行封装

function [ W, sigma, C ] = RBF_training( data, label, n_center_vec )
%RBF_TRAINING Summary of this function goes here
%   Detailed explanation goes here

% Using kmeans to find cinter vector
rng(1);
[idx, C] = kmeans(data, n_center_vec);

% Calulate sigma
n_data = size(data,1);

% calculate K
K = zeros(n_center_vec, 1);
for i=1:n_center_vec
K(i) = numel(find(idx == i));
end

% Using knnsearch to find K nearest neighbor points for each center vector
% then calucate sigma
sigma = zeros(n_center_vec, 1);
for i=1:n_center_vec

= knnsearch(data, C(i,:), 'k', K(i));
L2 = (bsxfun(@minus, data(n,:), C(i,:)).^2);
L2 = sum(L2(:));
sigma(i) = sqrt(1/K(i)*L2);
end
% Calutate weights
% kernel matrix
k_mat = zeros(n_data, n_center_vec);

for i=1:n_center_vec
r = bsxfun(@minus, data, C(i,:)).^2;
r = sum(r,2);
k_mat(:,i) = exp((-r.^2)/(2*sigma(i)^2));
end

W = pinv(k_mat'*k_mat)*k_mat'*label;
end

RBF_lazytraning.m 对lazy RBF的实现，主要就是中心向量为训练集自己，然后再构造核矩阵。由于Φ一定可逆，所以在求逆时，可以使用快速的’\‘方法

function [ W, sigma, C ] = lazyRBF_training( data, label, sigma )
%LAZERBF_TRAINING Summary of this function goes here
%   Detailed explanation goes here
if nargin < 3
sigma = 1;
end

n_data = size(data,1);
C = data;

% make kernel matrix
k_mat = zeros(n_data);
for i=1:n_data
L2 = sum((data - repmat(data(i,:), n_data, 1)).^2, 2);
k_mat(i,:) = exp(L2'/(2*sigma));
end

W = k_mat\label;
end

RBF_predict.m 预测

function [ y ] = RBF_predict( data, W, sigma, C )
%RBF_PREDICT Summary of this function goes here
%   Detailed explanation goes here
n_data = size(data, 1);
n_center_vec = size(C, 1);
if numel(sigma) == 1
sigma = repmat(sigma, n_center_vec, 1);
end

% kernel matrix
k_mat = zeros(n_data, n_center_vec);
for i=1:n_center_vec
r = bsxfun(@minus, data, C(i,:)).^2;
r = sum(r,2);
k_mat(:,i) = exp((-r.^2)/(2*sigma(i)^2));
end

y = k_mat*W;
end