基于数学原理的神经网络(不讲)课件展示.pptVIP

第八章 基于数学原理的神经网络 8.1径向基函数RBF 8.1.3模式可分性观点与广义RBF网络 RBF网络与多层感知器的比较： RBF网络与多层感知器都是非线性多层前向网络，它们都是通用逼近器。对于任一个多层感知器，总存在一个RBF网络可以代替它，反之亦然。但是，这两个网络也存在着很多不同点： ①RBF网络只有一个隐层，而多层感知器的隐层可以是一层也可以是多层的。 ②多层感知器的隐层和输出层其神经元模型是一样的。而RBF网络的隐层神经元和输出层神经元不仅模型不同，而且在网络中起到的作用也不一样。 ③RBF网络的隐层是非线性的，输出层是线性的。然而，当用多层感知器解决模式分类问题时，它的隐层和输出层通常选为非线性的。当用多层感知器解决非线性回归问题时，通常选择线性输出层。 ④RBF网络的基函数计算的是输入向量和中心的欧氏距离，而多层感知器隐单元的激励函数计算的是输入单元和连接权值间的内积。 ⑤多层感知器是对非线性映射的全局逼近，而RBF网络使用局部指数衰减的非线性函数(如高斯函数)对非线性输入输出映射进行局部逼近。这也意味着，逼近非线性输入输出映射，要达到相同的精度，RBF网络所需要的参数要比多层感知器少得多。 由于RBF网络能够逼近任意的非线性函数，可以处理系统内在的难以解析的规律性，并且具有极快的学习收敛速度，因此RBF网络