RBF神经网络(径向基函数神经网络模型与学习算法).pptVIP

2.5径向基函数神经网络模型与学习算法 概述 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提出了一种神经网络结构，即RBF神经网络 RBF网络是一种三层前向网络 RBF网络的基本思想 用RBF作为隐单元的“基”构成隐含层空间，将输入矢量直接(即不需要通过权连接)映射到隐空间 当RBF的中心点确定后，映射关系也就确定 隐含层空间到输出空间的映射是线性的 2.5.1 RBF神经网络模型 径向基神经网络的神经元结构 激活函数采用径向基函数 以输入和权值向量之间的 距离作为自变量 2.5.1 RBF神经网络模型 径向基神经网络结构 2.5.1 RBF神经网络模型 RBF网络与BP网络比较： RBF网络的输出是隐单元输出的线性加权和，学习速度加快 BP网络使用sigmoid()函数作为激活函数，这样使得神经元有很大的输入可见区域 径向基神经网络使用径向基函数（一般使用高斯函数）作为激活函数，神经元输入空间区域很小，因此需要更多的径向基神经元 2.5.2 RBF神经网络工作原理 RBF的非线性分类能力是什么？ 2.5.2 RBF神经网络工作原理 空间1 空间2 不易解决问题