RBF神经网络的优缺点.doc

优点—— RBF 神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关 系，而且学习规则简单，便于计算机实现。具有很强的鲁棒性、记忆 能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市 场。 具有局部逼近的优点 RBF 神经网络是一种性能优良的前馈型神经网络，RBF 网络可以任意 精度逼近任意的非线性函数，且具有全局逼近能力，从根 本上解决了 BP 网络的局部最优问题，而且拓扑结构紧凑，结构参数 可实现分离学习，收敛速度快。RBF 网络和模糊逻辑能够实现很 好的互补，提高神经网络的学习泛化能力。 RBF 网络的特点 前向网络 隐单元的激活函数通常为具有局部接受域的函数，即仅当输入落在 输入空间中一个很小的指定区域中时，隐单元才作出有意义的非零响 应。因此，RBF 网络有时也称为局部接受域网络(Localized Receptive Field Network)。 RBF 网络的局部接受特性使得其决策时隐含了距离的概念，即只有 当输入接近 RBF 网络的接受域时，网络才会对之作出响应。这就避免 了 BP 网络超平面分割所带来的任意划分特性。 在 RBF 网络中，输入层至输出层之间的所有权重固定为 1，隐层 RBF 单元的中心及半径通常也预先确定，仅隐层至输出层之间的权重可  调。RBF 网络的隐层执行一种固定不变的非线性变换，将输入空间 Rn 映射到一个新的隐层空间 Rh，输出层在该新的空间中实现线性组合。 显然由于输出单元的线性特性，其参数调节极为简单，且不存在局部 极小问题。 另外，研究还表明，一般 RBF 网络所利用的非线性激活函数形式对 网络性能的影响并非至关重要，关键因素是基函数中心的选取。 RBF 网络的优点： ① 它具有唯一最佳逼近的特性，且无局部极小问题存在。 ② RBF 神经网络具有较强的输入和输出映射功能，并且理论证明在 前向网络中 RBF 网络是完成映射功能的最优网络。 ③ 网络连接权值与输出呈线性关系。 ④ 分类能力好。 ⑤ 学习过程收敛速度快。 RBF 神经网络除了具有一般神经网络的优点，如多维非线性映射能 力，泛化能力，并行信息处理能力等，还具有很强的聚类分析能力， 学习算法简单方便等优点； 径向基函数(RBF) 神经网络是一种性能良好的前向网络 L 利用在多 维空间中插值的传统技术, 可以对几 乎所有的系统进行辩识和建模 L 它不仅在理论上有着任意逼近性能 和最佳逼近性能, 而且在应用中具有很多 优势[1 ]L 如和 Sigmo id 函数作为激活函数的神经网络相比, 算法 速度大大高于一般的 BP 算法。  ]LRBF 神经网络同 BP 网络相比, 不但在理论上它是前向网络中最优 的网络, 而且学习方法 也避免了局部最优的问题[3 ]L 已经证明：一个 RBF 网络，在隐层节点足够多的情况下，经过充分学 习，可以用任意精度逼近任意非线性函数，而且具有最优泛函数逼近 能力，另外，它具有较快的收敛速度和强大的抗噪和修复能力。 在理论上，RBF 网络和 BP 网络一样能以任意精度逼近任何非线性函 数。但由于它们使用的激励函数不同，其逼近性能也不相同。Poggio 和 Girosi 已经证明，RBF 网络是连续函数的最佳逼近，而 BP 网络不 是。BP 网络使用的 Sigmoid 函数具有全局特性，它在输入值的很大 范围内每个节点都对输出值产生影响，并且激励函数在输入值的很大 范围内相互重叠，因而相互影响，因此 BP 网络训练过程很长。此外， 由于 BP 算法的固有特性，BP 网络容易陷入局部极小的问题不可能从 根本上避免，并且 BP 网络隐层节点数目的确定依赖于经验和试凑， 很难得到最优网络。采用局部激励函数的 RBF 网络在很大程度上克服 了上述缺点，RBF 不仅有良好的泛化能力，而且对于每个输入值，只 有很少几个节点具有非零激励值，因此只需很少部分节点及权值改 变。学习速度可以比通常的 BP 算法提高上千倍,容易适应新数据，其 隐层节点的数目也在训练过程中确定，并且其收敛性也较 BP 网络易 于保证，因此可以得到最优解。 缺点—— （1）最严重的问题是没能力来解释自己的推理过程和推理依据。  （2）不能向用户提出必要的询问，而且当数据不充分的时候，神经 网络就无法进行工作。 （3）把一切问题的特征都变为数字，把一切推理都变为数值计算， 其结果势必是丢失信息。 （4）理论和学习算法还有待于进一步完善和提高。 LRBF 神经网络的非线性映射能力体现在隐层基函数上, 而基函数的 特性主要由基函数的中心确定，从数据点中任意选取中心构造出来的 RBF 神经网络的性能显然是不能令人满意的目的 （5）RBF 神经网络用于非线性系统建模需要解决的关键问题是样本 数据的选 择 L 在实际工业过程中