径向基函数神经网络模型与学习算法

建不了的模。

1985年，Powell提出了多变量插值的径向基函数(Radical Basis Function，RBF)方法。1988年， Moody和 Darken[10,11]提出了一种神经网络结构，即RBF神经网络，属于前向神经网络类型，它能够以任意精度逼近任意连续函数，特别适合于解决分类问题。
/ n  U( a( H8 Y1 y4 r: t/ WRBF网络的结构与多层前向网络类似，它是一种三层前向网络。输入层由信号源结点组成；第二层为隐含层，隐单元数视所描述问题的需要而定，隐单元的变换函数是RBF，它是对中心点径向对称且衰减的非负非线性函数；第三层为输出层，它对输人模式的作用作出响应。从输人空间到隐含层空间的变换是非线性的，而从隐含层空间到输出层空间变换是线性的。
. n5 ?& K2 Y& K% C/ [% j& ?  _4 g  x      RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可将输入矢量直接(即不需要通过权连接)映射到隐空间。当RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。由此可见，从总体上看，网络由输人到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。这样网络的权就可由线性方程组直接解出，从而大大加快学习速度并避免局部极小问题。
: T0 x. q  Y( Y1 }; K

% w, W, H  q7 J) \" {* |

lingxin179

谢谢楼主分享
! F# D4 M9 u5 D  @/ R) `0 X