clc;
clearall;
closeall;
%%----构建训练类似版本的XOR
c_1=[00];
c_2=[11];
c_3=[01];
c_4=[10];
n_L1=20;%numberoflabel1
n_L2=20;%numberoflabel2
A=zero(n_L1*2,3);
A(:,3)=1;
B=zero(n_L2*2,3);
B(:,3)=0;
%createrandompoints
fori=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;
结束
fori=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;
结束
%showpoints
scatter(A(:,1),A(:,2),[],'r');
holdon
scatter(B(:,1),B(:,2),[],'g');
X=[A;B];
data=X(:,1:2);
label=X(:,3);
%%使用kmeanstofindcintervector
n_center_vec=10;
rng(1);
[idx,C]=kmeans(data,n_center_vec);
holdon
分散(C(:,1),C(:,2),'b','LineWidth',2);
%%计算igma
n_data=size(X,1);
%calculateK
K=zero(n_center_vec,1);
fori=1:n_center_vec
K(i)=numel(find(idx==i)));
结束
%使用knnsearch查找每个中心向量的最近邻点
%然后计算igma
sigma=zeros(n_center_vec,1);
fori=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);
结束
%%计算权重
%kernelmatrix
k_mat=zeros(n_data,n_center_vec);
fori=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));
结束
W=pinv(k_mat'*k_mat)*k_mat'*label;
y=k_mat*W;
=0.5)=1;%y(y<0.5)=0;
%%训练函数和预测函数
[W1,sigma1,C1]=RBF_training(数据,标签,10);
y1=RBF_pre dict(数据,W,sigma,C1);
[W2,sigma2,C2]=lazyRBF_training(数据,label,2);
y2=RBF_pre dict(data,W2,sigma2,C2);
扩展信息
matlab特点易于研究员学习和掌握;
3个功能丰富的应用工具箱(如信号处理工具箱、通信工具箱等)为用户提供了大量方便实用的处理。 方法。
参考来源:百度百科—MATLAB
ˇ0ˇ苹果xr是单卡还是双卡AppleXR采用与XS相同的物理双卡插槽解决方,允许用户将SIM卡放置在正面和背面。 AppleXr仅支主卡4G模式。