径向基函数神经网络模型与学习算法.pptxVIP

径向基函数神经网络模型与学习算法会计学第1页/共16页概述 1985年，Powell提出了多变量插值的径向基函数(Radical Basis Function，RBF)方法 1988年， Moody和Darken提出了一种神经网络结构，即RBF神经网络RBF网络是一种三层前向网络RBF网络的基本思想 用RBF作为隐单元的“基”构成隐含层空间，将输入矢量直接(即不需要通过权连接)映射到隐空间 当RBF的中心点确定后，映射关系也就确定隐含层空间到输出空间的映射是线性的 2.5.1 RBF神经网络模型 第2页/共16页径向基神经网络的神经元结构激活函数采用径向基函数 以输入和权值向量之间的 距离作为自变量 2.5.1 RBF神经网络模型第3页/共16页径向基神经网络结构 第4页/共16页2.5.1 RBF神经网络模型RBF网络与BP网络比较：RBF网络的输出是隐单元输出的线性加权和，学习速度加快 BP网络使用sigmoid()函数作为激活函数，这样使得神经元有很大的输入可见区域 径向基神经网络使用径向基函数（一般使用高斯函数）作为激活函数，神经元输入空间区域很小，因此需要更多的径向基神经元 2.5.2 RBF网络的学习算法 第5页/共16页学习算法需要求解的参数径向基函数的中心方差隐含层到输出层的权值 学习方法分类（按RBF中心选取方法的不同分）随机选取中心法自组织选