RBF神经网络python实践学习(BP算法)
续上一篇:RBF神经网络学习及实践
RBF神经网络求解方法
RBF网络中需要求解的参数为:径向基函数的中心、方差和隐层到输出层的权值。
对于基函数中心的选取方法主要有:随机选取、聚类选取、有监督学习选取。对于方差计算方法有:直接公式计算、有监督学习修正计算。权值计算方法有:伪逆法直接求解、最小二乘法直接求解、有监督学习修正求解。
在上一篇的python代码实现中,我们采用直接计算法求解参数。即随机在样本中选取一定数量(即隐层神经元数量)的个体作为径向基函数的中心,且中心自此固定下来,隐层神经元输出便是已知,最终权值直接通过求解线性方程组确定即可。但这种方法的适用前提是样本数据分布具有代表性,否则会导致回归效果不佳。
其次,对于基函数中心选取也有通过聚类(一般采用K-Means)实现,方程由下面公式计算:
σ=dmax2n\sigma=\frac{d_{\max }}{\sqrt{2 n}} σ=2ndmax
其中 dmaxd_{max}dmax 为聚类得到的中心之间的最大距离,nnn 为中心数量。
相较于随机选取,聚类方法更能使中心的选取具有代表性。
本文将学习如何使用有监督学习算法对RBF网络参数进行训练,即对损失函数(一般使用MSE)进行梯度下降,再修正每个参数。
定义了RBF网络后,定义损失函数(误差函数,这里使用均方误差MSE)如下:
E=12m∑i=1mei2=12m∑i=1m(f(x)−y)2=12m∑i=1m(∑j=1qwj.φ(x,cj)−y)2E=\frac{1}{2 m} \sum_{i=1}^m e_i^2=\frac{1}{2 m} \sum_{i=1}^m(f(x)-y)^2=\frac{1}{2 m} \sum_{i=1}^m\left(\sum_{j=1}^q w_j . \varphi\left(x, c_j\right)-y\right)^2 E=2m1i=1∑mei2=2m1i=1∑m(f(x)−y)2=2m1i=1∑m(j=1∑qwj.φ(x,cj)−y)2
我们的目标是最小化损失函数,即使模型预测结果与实际值尽可能逼近。利用BP算法反向传播误差,并利用梯度下降法分别求得RBF网络参数优化的方向。
- 隐层到输出层的权值迭代公式
Δw=∂E∂w=1m∑i=1m(f(x)−y)⋅φ(x,c)=1m∑i=1mei⋅φ(x,c)\Delta w=\frac{\partial E}{\partial w}=\frac{1}{m} \sum_{i=1}^m(f(x)-y) \cdot \varphi(x, c)=\frac{1}{m} \sum_{i=1}^m e_i \cdot \varphi(x, c) Δw=∂w∂E=m1i=1∑m(f(x)−y)⋅φ(x,c)=m1i=1∑mei⋅φ(x,c)
wk+1=wk−η⋅Δww_{k+1}=w_k-\eta \cdot \Delta w wk+1=wk−η⋅Δw - 隐含层的神经元(径向基函数)中心点迭代公式
Δcj=∂E∂cj=∂E∂φ(x,cj)⋅∂φ(x,cj)∂cj=1m∑i=1m(f(x)−y)w⋅∂φ(x,cj)∂cj=1m∑i=1m(f(x)−y)w⋅φ(x,cj)⋅x−cjσj2=1m⋅σi2∑i=1m(f(x)−y)w⋅φ(x,cj)⋅(x−cj)\begin{aligned} &\Delta c_j=\frac{\partial E}{\partial c_j}=\frac{\partial E}{\partial \varphi\left(x, c_j\right)} \cdot \frac{\partial \varphi\left(x, c_j\right)}{\partial c_j} \\ &=\frac{1}{m} \sum_{i=1}^m(f(x)-y) w \cdot \frac{\partial \varphi\left(x, c_j\right)}{\partial c_j} \\ &=\frac{1}{m} \sum_{i=1}^m(f(x)-y) w \cdot \varphi\left(x, c_j\right) \cdot \frac{x-c_j}{\sigma_j^2} \\ &=\frac{1}{m \cdot \sigma_i^2} \sum_{i=1}^m(f(x)-y) w \cdot \varphi\left(x, c_j\right) \cdot\left(x-c_j\right) \end{aligned} Δcj=∂cj∂E=∂φ(x,cj)∂E⋅∂cj∂φ(x,cj)=m1i=1∑m(f(x)−y)w⋅∂cj∂φ(x,cj)=m1i=1∑m(f(x)−y)w⋅φ(x,cj)⋅σj2x−cj=m⋅σi21i=1∑m(f(x)−y)w⋅φ(x,cj)⋅(x−cj)
ck+1=ck−η⋅Δcc_{k+1}=c_k-\eta \cdot \Delta c ck+1=ck−η⋅Δc
3. 方差(高斯核宽度)迭代公式
Δσj=∂E∂σj=∂E∂φ(x,cj)⋅∂φ(x,cj)∂σj=1m∑i=1m(f(x)−y)w⋅∂φ(x,cj)∂σj=1m⋅σj3∑i=1m(f(x)−y)w⋅φ(x,cj)⋅∥xi−cj∥2\begin{aligned} &\Delta \sigma_j=\frac{\partial E}{\partial \sigma_j}=\frac{\partial E}{\partial \varphi\left(x, c_j\right)} \cdot \frac{\partial \varphi\left(x, c_j\right)}{\partial \sigma_j} \\ &=\frac{1}{m} \sum_{i=1}^m(f(x)-y) w \cdot \frac{\partial \varphi\left(x, c_j\right)}{\partial \sigma_j} \\ &=\frac{1}{m \cdot \sigma_j^3} \sum_{i=1}^m(f(x)-y) w \cdot \varphi\left(x, c_j\right) \cdot\left\|x_i-c_j\right\|^2 \end{aligned} Δσj=∂σj∂E=∂φ(x,cj)∂E⋅∂σj∂φ(x,cj)=m1i=1∑m(f(x)−y)w⋅∂σj∂φ(x,cj)=m⋅σj31i=1∑m(f(x)−y)w⋅φ(x,cj)⋅∥xi−cj∥2
σk+1=σk−η⋅Δσ\sigma_{k+1}=\sigma_k-\eta \cdot \Delta \sigma σk+1=σk−η⋅Δσ
迭代公式中 η\etaη 为学习率,对于RBF中不同参数分别设置不同的学习率。经过多轮迭代直至损失函数收敛,训练结束[1]^{[1]}[1]。
对于上述三个参数的迭代,为避免学习率过大过小带来权值振荡或学习速度缓慢,可以在修正公式中增加一个动量项 α,α∈(0,1)\alpha,\alpha \in (0,1)α,α∈(0,1)。 直观上理解就是要是当前梯度方向与前一步的梯度方向一样,那么就增加这一步的权值更新,要是不一样就减少更新。
动量项参考:神经网络 动量因子
代码实现
python代码来源自参考文章[1]^{[1]}[1]。
# -*- coding: utf-8 -*-
"""
Created on Sun Jul 12 19:15:20 2020
@author: ecupl
"""
import numpy as np
import matplotlib.pyplot as pltclass RBFnetwork(object):def __init__(self, hidden_nums, r_w, r_c, r_sigma):self.h = hidden_nums # 隐含层神经元个数self.w = 0 # 线性权值self.c = 0 # 神经元中心点self.sigma = 0 # 高斯核宽度self.r = {"w": r_w,"c": r_c,"sigma": r_sigma} # 参数迭代的学习率self.errList = [] # 误差列表self.n_iters = 0 # 实际迭代次数self.tol = 1.0e-5 # 最大容忍误差self.X = 0 # 训练集特征self.y = 0 # 训练集结果self.n_samples = 0 # 训练集样本数量self.n_features = 0 # 训练集特征数量# 计算径向基距离函数def guass(self, sigma, X, ci):return np.exp(-np.linalg.norm((X - ci), axis = 1) ** 2 / (2 * sigma ** 2))# 将原数据高斯转化成新数据def change(self, sigma, X, c):newX = np.zeros((self.n_samples, len(c)))for i in range(len(c)):newX[:, i] = self.guass(sigma[i], X, c[i])return newX# 初始化参数def init(self):sigma = np.random.random((self.h, 1)) # (h,1)c = np.random.random((self.h, self.n_features)) # (h,n)w = np.random.random((self.h + 1, 1)) # (h+1,1)return sigma, c, w# 给输出层的输入加一列截距项def addIntercept(self, X):return np.hstack((X, np.ones((self.n_samples, 1))))# 计算整体误差def calSSE(self, prey, y):return 0.5 * (np.linalg.norm(prey - y)) ** 2# 求L2范数的平方def l2(self, X, c):m, n = np.shape(X)newX = np.zeros((m, len(c)))for i in range(len(c)):newX[:, i] = np.linalg.norm((X - c[i]), axis = 1) ** 2return newX# 训练def train(self, X, y, iters, draw = 0):self.X = Xself.y = y.reshape(-1, 1)self.n_samples, self.n_features = X.shapesigma, c, w = self.init() # 初始化参数for i in range(iters):## 正向计算过程hi_output = self.change(sigma, X, c) # 隐含层输出(m,h),即通过径向基函数的转换yi_input = self.addIntercept(hi_output) # 输出层输入(m,h+1),因为是线性加权,故将偏置加入yi_output = np.dot(yi_input, w) # 输出预测值(m,1)error = self.calSSE(yi_output, y) # 计算误差if error < self.tol:breakself.errList.append(error) # 保存误差## 误差反向传播过程deltaw = np.dot(yi_input.T, (yi_output - y)) # (h+1,m)x(m,1)w -= self.r['w'] * deltaw / self.n_samplesdeltasigma = np.divide(np.multiply(np.dot(np.multiply(hi_output, self.l2(X, c)).T, (yi_output - y)), w[:-1]),sigma ** 3) # (h,m)x(m,1)sigma -= self.r['sigma'] * deltasigma / self.n_samplesdeltac1 = np.divide(w[:-1], sigma ** 2) # (h,1)deltac2 = np.zeros((1, self.n_features)) # (1,n)for j in range(self.n_samples):deltac2 += (yi_output - y)[j] * np.dot(hi_output[j], X[j] - c)deltac = np.dot(deltac1, deltac2) # (h,1)x(1,n)c -= self.r['c'] * deltac / self.n_samples# 拟合过程画图if (draw != 0) and ((i + 1) % draw == 0):self.draw_process(X, y, yi_output)self.c = cself.w = wself.sigma = sigmaself.n_iters = i# 画图def draw_process(self, X, y, y_prediction):plt.scatter(X, y)plt.plot(X, y_prediction, c = 'r')plt.show()# 预测def predict(self, X):hi_output = self.change(self.sigma, X, self.c) # 隐含层输出(m,h),即通过径向基函数的转换yi_input = self.addIntercept(hi_output) # 输出层输入(m,h+1),因为是线性加权,故将偏置加入yi_output = np.dot(yi_input, self.w) # 输出预测值(m,1)return yi_output
测试代码
hidden_nums, iters = 20, 20000
X = np.linspace(-4, 4, 400)[:, np.newaxis]
y = np.multiply(1.1 * (1 - X + 2 * X ** 2), np.exp(-0.5 * X ** 2))
# y = np.sin(np.pi * X / 2) + np.cos(np.pi * X / 3)
# set y and add random noise
# y += np.random.normal(0, 0.1, y.shape)
rbf = RBFnetwork(hidden_nums, 0.1, 0.2, 0.1)
rbf.train(X, y, iters, draw = 50)
# 预测
plt.plot(X, y, 'r:')
plt.plot(X, rbf.predict(X), 'k')
print(rbf.c)
# plt.scatter(list(rbf.c), [0 for i in range(len(rbf.c))])
# plt.plot(rbf.errList)
plt.show()
测试结果分析和总结
超参数设置
在BP(误差反向传播)训练中,学习率和隐层单元数等超参数的设置对训练过程及结果非常重要。较低的学习率会导致loss收敛缓慢,训练时间变长;较高的学习率则会导致loss振荡,甚至梯度爆炸。
对于隐层单元数的设置,数量过少会导致无法拟合复杂样本;数量过多会导致隐层输出矩阵尺寸变大,计算量增大。因此,合理的超参数设置很重要。在本测试代码中,可以通过观察误差曲线变化来增减学习率。后面,可以考虑使用粒子群算法等寻优算法对超参数选取进行优化。
参数初始化
对于方差和权值,均采用[0,1)随机值初始化。
sigma = np.random.random((self.h, 1)) # (h,1) w = np.random.random((self.h + 1, 1)) # (h+1,1)
对于隐层中心,参照随机选取和聚类选用的思想,整个样本范围内的点作为中心的概率应当差不多。如果仍然采用[0,1)随机值,那么初始中心呈聚集状,学习率较低的情况下,需要多次迭代才能分散遍布样本空间。可以尝试在 [xmin,xmax][x_{min},x_{max}][xmin,xmax] 区间内均匀随机初始化。
c = np.random.uniform(-4, 4, (self.h, self.n_features)) # (h,n)
当然,也可以尝试k-means聚类初始化中心。
bias偏置单元
在测试代码中,bias体现在给输入层的输入添加了一列截距项(全是1的一列)。与线性方程 y=wx+by=wx+by=wx+b 中的 bbb 的意义是一致的。在 y=wx+by=wx+by=wx+b 中,bbb表示函数在y轴上的截距,控制着函数偏离原点的距离,在神经网络中的偏置单元也是类似的作用[2]^{[2]}[2]。作用是使函数不过原点,让模型更加灵活。详见参考文章2。
输入数据噪声敏感性
从完全内插法的角度去理解RBF插值,即表面必须通过每一个测得的采样值。存在的问题就是当样本中包含噪声时,神经网络将拟合出一个错误的曲面,从而使泛化能力下降。但对于有监督训练的RBF神经网络,从测试结果可以看出,模型对输入噪声的敏感性不高。
多元线性回归矩阵求导
当确定神经网络表达式后,即可确定相应的误差函数。使用梯度下降算法最小化误差函数中,求解参数迭代公式的重点便是矩阵求导。优化的参数不止一个,又是线性回归问题,故属于多元线性回归矩阵求导。相关学习资料详见参考3和参考4。
基函数中心不取自训练样本
相比于随机和聚类选取后便固定不变的中心,有监督学习的RBF网络中基函数中心是BP修正参数,故在迭代过程中会不断变化,最终得到的中心参数可能不在训练样本范围内。
参考
[1] 机器学习算法推导&手写实现06——RBF网络 - 知乎 (zhihu.com)
[2] [转载]神经网络偏置项(bias)的设置及作用 - 别再闹了 - 博客园 (cnblogs.com)
[3] 矩阵求导术(上) - 知乎 (zhihu.com)
[4] 矩阵求导术(下) - 知乎 (zhihu.com)
RBF神经网络python实践学习(BP算法)相关推荐
- 神经网络——Python实现BP神经网络算法(理论+例子+程序)
一.基于BP算法的多层感知器模型 采用BP算法的多层感知器是至今为止应用最广泛的神经网络,在多层感知器的应用中,以图3-15所示的单隐层网络的应用最为普遍.一般习惯将单隐层前馈网称为三层感知器,所谓三 ...
- 神经网络——反向传播BP算法应用案例
案例应用(一)--20个样本的两层(单隐藏层)神经网络 知识点: 1.tolist() 链接:http://blog.csdn.net/akagi_/article/details/76382918 ...
- CS231n 学习笔记(4)——神经网络 part4 :BP算法与链式法则
这一部分主要是关于用BP算法来计算梯度,在这一章中,主要解决下面三个问题: 1.梯度的意义(what the gradients mean?) 2.在网络中梯度如何通过反向传播(how they fl ...
- 今天开始学Pattern Recognition and Machine Learning (PRML),章节5.2-5.3,Neural Networks神经网络训练(BP算法)
这一篇是整个第五章的精华了,会重点介绍一下Neural Networks的训练方法--反向传播算法(backpropagation,BP),这个算法提出到现在近30年时间都没什么变化,可谓极其经典.也 ...
- 【机器学习基础】使用python实现BP算法
用pytorch跟tensorflow实现神经网络固然爽.但是想要深入学习神经网络,光学会调包是不够的,还是得亲自动手去实现一个神经网络,才能更好去理解. 一.问题介绍 传说中线性分类器无法解决的异或 ...
- 经典神经网络分类器之BP算法和自组织竞争网络
经典神经网络分类器 感知器 感知器学习算法是误分类驱动的在线学习算法,任意选取一个具有参数的分离超平面,采用随机梯度下降法不断极小化损失函数,多次迭代训练得到感知器参数w b. 定义损失函数(训练样本 ...
- python实现BP算法
误差逆传播算法,又称BP算法,被誉为神经网络中最好的算法,其广泛应用在多层网络中. 在这之前,我们先来理解几个概念 M-P神经元模型 所谓M-P模型,其实是按照生物神经元的结构和工作原理构造出来的一个 ...
- 神经网络反向传播BP算法举例说明
0. 前言 上篇博客对BP算法的大致步骤进行了总结,本篇博客将通过一个具体的例子来模拟一下这个算法的实现过程 ! 1. BP算法例子说明 1.1 网络结构 1.2 权重及偏移 w = ( 0.1 , ...
- 神经网络简史:BP算法后的又一突破—信念网络
随着训练多层神经网络的谜题被揭开,这个话题再一次变得空前热门,罗森布拉特的崇高雄心似乎也将得以实现.直到1989年另一个关键发现被公布,现在仍广为教科书及各大讲座引用. 多层前馈神经网络是普适模拟器( ...
最新文章
- MySQL时间增加、字符串拼接
- 互联网直播云计算架构介绍
- mysql存储过程写法—动态参数运用
- 计算机程序设计考试题目,计算机程序设计员理论试题(题库)
- 三星i9018root方法
- java内存管理(堆、栈、方法区)
- app_offline.htm的作用
- 会议录音被误删了用EasyRecovery怎么恢复
- java爬虫模拟登陆_java爬虫实战之模拟登陆
- 宝子,你知道小程序代码大小超限除了分包还能怎么做吗?
- insightface 的学习与使用
- python创建person类_python类的创建
- 医用腕带应用整体解决方案:老人智能用药场景,老人防走丢报警-新导智能
- win7注册表常用设置
- 20189200余超 2018-2019-2 移动平台应用开发实践第四作业
- Python中SKlearn中kmeans聚类
- 模拟电路笔记(二)晶体三极管及放大电路
- K8S控制器介绍与使用
- C/C++常见面试知识点总结附面试真题----20220326更新
- 题目:输入某年某月某日,判断当日是星期几? 提示:1900年1月1日为星期一
热门文章
- js replace 中文分号_在JS中用Replace 全部替换字符
- django 高级扩展-中间件-上传图片-分页-富文本-celery
- 经典养生:百会穴实乃“百岁穴”
- 差商法Matlab实现,Matlab经典复习试题.doc
- Error: org.apache.thrift.transport.TTransportException: java.net.SocketException: 断开的管道 (Write faile
- 工作记录:Stylus基础教程及应用
- Java static与final使用陷阱
- Material Design:为你的 Android 应用提供精美的 UI 体验
- 2022-2028全球与中国船舶安全警报系统市场现状及未来发展趋势
- 【升级】专为小白设计的TypeScript入门课吾爱分享会须一饮三百杯