import?tensorflow?as?tf
import?numpy?as?np
from?sklearn.cluster?import?KMeans

class?RBF:
????#初始化學習率、學習步數
????def?__init__（selflearning_rate=0.002step_num=10001hidden_size=10）:
????????self.learning_rate=learning_rate
????????self.step_num=step_num
????????self.hidden_size=hidden_size
????
????#使用?k-means?獲取聚類中心、標準差
????def?getC_S（selfxclass_num）:
????????estimator=KMeans（n_clusters=class_nummax_iter=10000）?#構造聚類器
????????estimator.fit（x）?#聚類
????????c=estimator.cluster_centers_
????????n=len（c）
????????s=0;
????????for?i?in?range（n）:
????????????j=i+1
????????????while?j????????????????t=np.sum（（c[i]-c[j]）**2）
????????????????s=max（st）
????????????????j=j+1
????????s=np.sqrt（s）/np.sqrt（2*n）
????????return?cs
????
????#高斯核函數（c為中心，s為標準差）
????def?kernel（selfxcs）:
????????x1=tf.tile（x[1self.hidden_size]）?#將x水平復制?hidden次
????????x2=tf.reshape（x1[-1self.hidden_sizeself.feature]）
????????dist=tf.reduce_sum（（x2-c）**22）
????????return?tf.exp（-dist/（2*s**2））
????
????#訓練RBF神經網絡
????def?train（selfxy）:
????????self.feature=np.shape（x）[1]?#輸入值的特征數
????????self.cself.s=self.getC_S（xself.hidden_size）?#獲取聚類中心、標準差
????????
????????x_=tf.placeholder（tf.float32[Noneself.feature]）?#定義placeholder
????????y_=tf.placeholder（tf.float32[None1]）?#定義placeholder
????????
????????#定義徑向基層
????????z=self.kernel（x_self.cself.s）??
????
????????#定義輸出層
????????w=tf.Variable（tf.random_normal（[self.hidden_size1]））
????????b=tf.Variable（tf.zeros（[1]））
????????yf=tf.matmul（zw）+b
????????
????????loss=tf.reduce_mean（tf.square（y_-yf））#二次代價函數
????????optimizer=tf.train.AdamOptimizer（self.learning_rate）?#Adam優化器?????
????????train=optimizer.minimize（loss）?#最小化代價函數
????????init=tf.global_variables_initializer（）?#變量初始化
????
????????with?tf.Session（）?as?sess:
????????????sess.run（init）
????????????for?epoch?in?range（self.step_num）:
????????????????sess.run（trainfeed_dict={x_:xy_:y}）
????????????????if?epoch>0?and?epoch%500==0:
????????????????????mse=sess.run（lossfeed_dict={x_:xy_:y}）
????????????????????print（epochmse）
????????????self.wself.b=sess.run（[wb]feed_dict={x_:xy_:y}）
????????
????def?kernel2（selfxcs）:?#預測時使用
????????x1=np.tile（x[1self.hidden_size]）?#將x水平復制?hidden次
????????x2=np.reshape（x1[-1self.hidden_sizeself.feature]）
????????dist=np.sum（（x2-c）**22）
????????return?np.exp（-dist/（2*s**2））
????
????def?predict（selfx）:
????????z=self.kernel2（xself.cself.s）
????????pre=np.matmul（zself.w）+self.b
????????return?pre

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2019-11-17?15:32??RBF案例\
?????文件????????2790??2019-11-28?10:53??RBF案例\RBF_kmeans.py
?????文件????????2314??2019-11-28?10:44??RBF案例\RBF_Supervised.py
?????文件?????????831??2019-11-28?10:50??RBF案例\test_kmeans.py
?????文件????????1090??2019-11-28?11:00??RBF案例\test_kmeans2.py
?????文件?????????837??2019-11-28?10:59??RBF案例\test_Supervised.py
?????文件????????1094??2019-11-28?11:06??RBF案例\test_Supervised2.py
?????目錄???????????0??2019-11-28?11:06??RBF案例\__pycache__\
?????文件????????1439??2019-11-17?15:25??RBF案例\__pycache__\RBF.cpython-37.pyc
?????文件????????2611??2019-11-28?10:54??RBF案例\__pycache__\RBF_kmeans.cpython-37.pyc
?????文件????????2175??2019-11-28?11:06??RBF案例\__pycache__\RBF_Supervised.cpython-37.pyc