神经网络与MATLAB仿真.pptVIP

谢谢大家！ * 1.径向基神经网络的两种结构 2.径向基神经网络的学习算法 3.径向基神经网络与多层感知器的比较 4.概率神经网络 5.广义回归神经网络 6.径向基网络应用实例 * Broomhead和Lowe根据生物神经元具有局部响应的原理，将径向基函数引入到神经网络中。很快，RBF网络被证明对非线性网络具有一致逼近的性能，在不同行业和领域逐步得到了广泛应用。 由三层构成的前向网络 。 第一层为输入层，节点个数等于输入的维数； 第二层为隐含层，节点个数视问题的复杂度而定； 第三层为输出层，节点个数等于输出数据的维数。 隐含层是非线性的，采用径向基函数作为基函数，从而将输入向量空间转换到隐含层空间，使原来线性不可分的问题变得线性可分，输出层则是线性的。 径向基网络 概率神经网络 广义回归网络模式分类和函数逼近 * 径向基函数：有多种形式，其中最为常用的，是高斯函数 输入层 隐含层 输出层（线性） 1.正则化网络是一个通用逼近器，这意味着，只要有足够多的隐含节点，它就可以以任意精度逼近任意多远连续函数。 2.给定一个未知的非线性函数f，总可以选择一组系数，使得网络对f的逼近是最优的。 * 正则化网络的一个特点就是：隐含节点的个数等于输入训练样本的个数。因此如果训