径向基函数网络.pptVIP

* * 径向基函数网络 1.径向基神经网络的两种结构 RBF网络对非线性网络具有一致逼近的性能，在函数拟合和模式分类有广泛应用。 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(高斯)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。 1.径向基神经网络的两种结构 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。因此如果训练样本的个数N过大，网络的计算量将是惊人的，从而导致过低的效率甚至根本不可实现。 解决的方案是用Galerkin方法来减少隐含层神经单元的个数，此时求得的解是较低维数空间上的次优解 。这就是广义网络 在实际应用中，一般都采用广义径向基函数网络。 4.概率神经网络 PNN网络的优点 训练容易，收敛速度快，从而非常适用于实时处理。 可以实现任意的非线性逼近，用PNN网络所形成的判决曲面与贝叶斯最优准则下的曲面非常接近。 只要有充足的样本数据，概率神经网络都能收敛到贝叶斯分类器，没有BP网络的局部极小值问题 扩充性能好。网络的学习过程简单，增加或减少类别模式时不需要