基于数学原理的神经网络演示文件修改版.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 采用径向基函数技术解决插值问题的方法是，选择P个基函数，每一个基函数对应一个训练数据，各基函数的形式为 ： 式中基函数φ为非线性函数，训练数据点Xp是φ的中心。基函数以输入空间的点X与中心Xp的距离作为函数的自变量。由于距离是径向同性的，故函数φ被称为径向基函数。 将式(5.1)的插值条件代入上式，得到P个关于未知系数wp，p=1, 2, …, P的线性方程组 如下页 考虑一个由N维输入空间到1维输出空间的映射。设N维空间有P个数据点 Xp ，p=1, 2, …, P ，在输出空间相应的目标值为dp，p=1, 2, …, P。插值问题是寻找一个非线性映射函数F(X)，使其满足下述插值条件 F(Xp)=d p， p=1, 2, …, P (5.1) 式中，函数F描述了一个插值曲面。 用RBF网络解决插值问题时，基于上述正则化理论的RBF网络称为正则化网络。其特点是隐节点数等于输入样本数，隐节点的激活函数为Green函数，常具有式(5.8)所示的Gauss形式，并将所有输入样本设为径向基函数的中心，各径向基函数