数据挖掘实验四-RBF神经网络报告32.docVIP

实验、 通过计算机编程实现并验证RBF神经网络的曲线拟合及模式分类能力。 二、实验内容 1）用Matlab实现，并对给定的样本集； 2）通过改变实验参数，观察和分析影响的结果与收敛速度的因素；RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。 简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调参数（权值或阈值）对任何一个输出都有影响时，这样的网络称为全局逼近网络。由于对于每次输入，网络上的每一个权值都要调整，从而导致全局逼近网络的学习速度很慢。BP网络就是一个典型的例子。 如果对于输入空间的某个局部区域只有少数几个连接权值影响输出，则该网络称为局部逼近网络。常见的局部逼近网络有RBF网络、小脑模型（CMAC）网络、B样条网络等。 径向基函数解决插值问题 完全内插法要求插值函数经过每个样本点，即。样本点总共有P个。 RBF的方法是要选择P个基函数，每个基函数对应一个训练数据，各基函数形式为，由于距离是径向同性的，因此称为径向基函数。||X-Xp||表示差向量的模，或者叫2范数。 基于为径向基函数的插值函数为： 输入X是个m维的向量，样本容量为P，Pm。可以看到输入数据点Xp是径向基函数φp的中心