Question

急求！请帮我看看rbf神经网络进行负荷预测的程序哪里有问题！感谢大侠！

t_data=[0.2452 0.2217 0.2525 0.2016 0.2115 0.2335 0.2368 0.2342 0.2113 0.2005
0.1466 0.1581 0.1627 0.1105 0.1201 0.1322 0.1432 0.1368 0.1212 0.1121
0.1314 0.1408 0.1507 0.1243 0.1312 0.1534 0.1653 0.1602 0.1305 0.1207
0.2243 0.2304 0.2406 0.1978 0.2019 0.2214 0.2205 0.2131 0.1819 0.1605
0.5523 0.5134 0.5502 0.5021 0.5332 0.5623 0.5823 0.5726 0.4952 0.4556
0.6642 0.5312 0.5636 0.5232 0.5736 0.5827 0.5971 0.5822 0.5312 0.5022
0.7105 0.6819 0.7051 0.6819 0.7029 0.7198 0.7136 0.7101 0.6886 0.6553
0.6981 0.7125 0.7352 0.6952 0.7032 0.7276 0.7129 0.7098 0.6898 0.6673
0.6821 0.7265 0.7459 0.7015 0.7189 0.7359 0.7263 0.7127 0.6999 0.6798
0.6945 0.6847 0.7015 0.6825 0.7019 0.7506 0.7153 0.7121 0.7323 0.7023
0.7549 0.7826 0.8064 0.7825 0.7965 0.8092 0.8091 0.7995 0.7721 0.7521
0.8215 0.8325 0.8156 0.7895 0.8025 0.8221 0.8217 0.7126 0.7956 0.7756
0.2415 0.2385 0.2216 0.2352 0.2542 0.2601 0.2579 0.2301 0.2234 0.2314
0.3027 0.3125 0.2701 0.2506 0.3125 0.3198 0.3099 0.2867 0.2799 0.2977
0 0 1.0000 0.5000 0 0 0 0.5000 1.0000 0];
%初始化数据
tt=[0.2123 0.1257 0.1343 0.2079 0.5579 0.5716 0.7059 0.7145 0.7205 0.7401 0.8019 0.8136 0.2317 0.3936 0]'; %第12列作为输出
x=t_data; %第1~11列作为输入
tt=tt';
%随机选取中心
c=x;
%定义delta平方为样本各点的协方差之和
delta=cov(x');
delta=sum(delta);
%隐含层输出R
for i=1:1:15
for j=1:1:15
R(i,j)=((x(i,:)-c(j,:)))*((x(i,:)-c(j,:))');
R(i,j)=exp(-R(i,j)./delta(j));
end
end
p=R;
%建模
%r=radbas(p);
err_goal=0.001;
sc=3;
net=newrb(p,tt,err_goal,sc,800,1);
%测试
ty=sim(net,p);
tE=tt-ty;
tSSE=sse(tE);
tMSE=mse(tE);
%预测(测试）曲线 a
figure;
plot(1:1:15,tt,'b-+');
hold on;
plot(ty,'r:*');
legend('实际负荷值','预测值');
title('RBF网络模型输出预测曲线');
xlabel('输入样本点');
ylabel('负荷值');
axis([1,12,0,1]);
ty=ty
结果出来
ty =

NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
而且还没有预测图！
到底是哪里不对啊？

Answer 1

har du någonsin ställts inför oron att din son eller dotter är iväg till college och du vill ge dem tillgång till akut kontanter utan att behöva ge dem själva pengar - som de kommer sannolikt spenderar förväg - men vet med den tid du koppla pengarna till dem nödsituation kan mycket väl vara över ? i så fall kan ni väl vill veta vad kompletterande kredit kortinnehavare ,Ed hardy Watches,4 low cost halloween craft ideas! i korta ,6 perfekt julklapp idéer för henne, kompletterande kredit kortinnehavare är personer som du tillåter att använda ditt konto kreditkort. de har utfärdat deras eget kort , men kontot är samma antal som din och alla transaktioner som de bearbetar på kortet debiteras till dig. kollektivt du har alla samma gräns kreditkort. som sådan , om din extra kortinnehavaren gör ett inköp på kortet , minskar denna din tillgång till denna summa från ditt kort gräns - så länge du har gjort en payment.as kan du se då, är extra kreditkort användare erbjuds alla privilegier att vara kredit kortinnehavare , men baserat på din ekonomiska status snarare än deras. de är därför ett bra sätt att ge säkerhet till din make och barn utan att oroa dig för att själva behöva ansöka om ett kreditkort i eget namn - som i fallet med dina barn ,Levis Bälte, kommer med största sannolikhet resultera i att de som har en undre köpgräns anyhow.although ett mycket användbart och fördelaktigt verktyg,mbt skor test, ett par frågor som du behöver för att se upp för om du accepterar kompletterande kredit kortinnehavare på ditt konto: * du är ansvarig för sina utgifter ! om de spendera , så gör du,4 fantastiska gratis webbplats marknadsföring takt! du bör också begära att förse dig med alla transaktionskostnader kvitton så att du kan spåra eventuella bedräglig användning av kortet. * du kanske upptäcker att du debiteras en avgift för förmånen att ha extra cardholders.finally , tänk på att politiken för att ha extra kortinnehavare inte är begränsat till kompletterande kredit kortinnehavare och det är möjligt att ha extra kortinnehavarna för de flesta större betalkort och kundkort .

Answer 2

样本数太小，要求的均方差目标精确，训练没结束样本就不够了，要不提高样本数，要不增大goal值,
t_data=[0.2452 0.2217 0.2525 0.2016 0.2115 0.2335 0.2368 0.2342 0.2113 0.2005
0.1466 0.1581 0.1627 0.1105 0.1201 0.1322 0.1432 0.1368 0.1212 0.1121
0.1314 0.1408 0.1507 0.1243 0.1312 0.1534 0.1653 0.1602 0.1305 0.1207
0.2243 0.2304 0.2406 0.1978 0.2019 0.2214 0.2205 0.2131 0.1819 0.1605
0.5523 0.5134 0.5502 0.5021 0.5332 0.5623 0.5823 0.5726 0.4952 0.4556
0.6642 0.5312 0.5636 0.5232 0.5736 0.5827 0.5971 0.5822 0.5312 0.5022
0.7105 0.6819 0.7051 0.6819 0.7029 0.7198 0.7136 0.7101 0.6886 0.6553
0.6981 0.7125 0.7352 0.6952 0.7032 0.7276 0.7129 0.7098 0.6898 0.6673
0.6821 0.7265 0.7459 0.7015 0.7189 0.7359 0.7263 0.7127 0.6999 0.6798
0.6945 0.6847 0.7015 0.6825 0.7019 0.7506 0.7153 0.7121 0.7323 0.7023
0.7549 0.7826 0.8064 0.7825 0.7965 0.8092 0.8091 0.7995 0.7721 0.7521
0.8215 0.8325 0.8156 0.7895 0.8025 0.8221 0.8217 0.7126 0.7956 0.7756
0.2415 0.2385 0.2216 0.2352 0.2542 0.2601 0.2579 0.2301 0.2234 0.2314
0.3027 0.3125 0.2701 0.2506 0.3125 0.3198 0.3099 0.2867 0.2799 0.2977
0 0 1.0000 0.5000 0 0 0 0.5000 1.0000 0];
%初始化数据
tt=[0.2123 0.1257 0.1343 0.2079 0.5579 0.5716 0.7059 0.7145 0.7205 0.7401 0.8019 0.8136 0.2317 0.3936 0]'; %第12列作为输出
x=t_data; %第1~11列作为输入
tt=tt';
%随机选取中心
c=x;
%定义delta平方为样本各点的协方差之和
delta=cov(x');
delta=sum(delta);
%隐含层输出R
for i=1:1:15
for j=1:1:15
R(i,j)=((x(i,:)-c(j,:)))*((x(i,:)-c(j,:))');
R(i,j)=exp(-R(i,j)./delta(j));
end
end
p=R;
%建模
%r=radbas(p);
err_goal=0.02;
sc=3;
net=newrb(p,tt,err_goal,sc,800,1);
%测试
ty=sim(net,p);
tE=tt-ty;
tSSE=sse(tE);
tMSE=mse(tE);
%预测(测试）曲线 a
figure;
plot(1:1:15,tt,'b-+');
hold on;
plot(ty,'r:*');
legend('实际负荷值','预测值');
title('RBF网络模型输出预测曲线');
xlabel('输入样本点');
ylabel('负荷值');
axis([1,12,0,1]);

这样就有结果，增大了GOAL值