RBF神经网络概述 - linux-Unix相关.docx

(n1,2,...,N);基函数(X,t)为第i个隐单ii1i2imiMii个隐单元与输出单元之间的进

(n1,2,...,N);基函数(X,t)为第i个隐单ii1i2imiMii个隐单元与输出单元之间的

进BP算法的前向网络的训练结果作比较，发现径向基函数网络所用时间最短。这个例子揭示了如何用径向基函数

训练样本对为{X,d}(n1,2,...,N)，其中nn1n2nMn本的期望输出，对应的实际输出为Y

)和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元

nn

X[x,x,...,x]T,(n1,2,...,N)为训练样本的输入，d(n1,2,...,N)为训练样

ni

元的输出t[t,t,...,t,...,t](i1,2,...,I)为基函数的中心;w(i1,2,...,I)为第

1RBF神经网络的基本原理

2RBF神经网络的网络结构

3RBF神经网络的优点

1RBF神经网络的基本原理

人工神经网络以其独特的信息处理能力在许多领域得到了成功的应用。它不仅具有强大的非线性映射能力，而且具有自适应、自学习和容错性等，能够从大量的历史数据中进行聚类和学习，进而找到某些行为变化的规律。

径向基函数(RBF)神经网络是一种新颖有效的前馈式神经网络，它具有最佳逼近和全局最优的性能，同时训练方法快速易行，不存在局部最优问题，这些优点使得RBF网络在非线性时间序列预测中得到了广泛的应用。

1985年，Powell提出了多变量插值的径向基函数(Radial-BasisFunction,RBF)方法。1988年，Broomhead和Lowe首先将RBF应用于神经网络设计，构成了径向基函数神经网络，即RBF神经网络。用径向基函数(RBF)作为隐单元的“基”构成隐含层空间，对输入矢量进行一次变换，将低维的模式输入数据变换到高维空间内，通过对隐单元输出的加权求和得到输出，这就是RBF网络的基本思想。

2RBF神经网络的网络结构

RBF网络是一种三层前向网络：第一层为输入层，由信号源节点组成。第二层为隐含层，隐单元的变换函数是一种局部分布的非负非线性函数，他对中心点径向对称且衰减。隐含层的单元数由所描述问题的需要确定。第三层为输出层，网络的输出是隐单元输出的线性加权。RBF网络的输入空间到隐含层空间的变换是非线性的，而从隐含层空间到输出层空间的变换是线性。不失一般性，假定

输出层只有一个隐单元，令网络的训练样本对为{X,d}(n1,2,...,N)，其中

nn1n2nMn

本的期望输出，对应的实际输出为Y(n1,2,...,N);基函数(X,t)为第i个隐单

ii1i2imiMi

i个隐单元与输出单元之间的权值。单输出的RBF网络的拓扑图如图1所示:

数具备如下的优点：①表示形式简单，即使对于多变量输入也不增加太多的复杂性；②径向对称；③光滑性好，任数，即仅当输入落在输入空间中一个很小的指定区域中时，隐单元才做出有意义的非零响应。因此，RBF网络有n)(1)

数具备如下的优点：①表示形式简单，即使对于多变量输入也不增加太多的复杂性；②径向对称；③光滑性好，任

数，即仅当输入落在输入空间中一个很小的指定区域中时，隐单元才做出有意义的非零响应。因此，RBF网络有

n)(1)、逆多二次函数、薄板样条函数等。普通RBF网络采用的是高斯函数。当“基函数”采用的高斯基函

网络来进行函数逼近，当误差指标取0到1时，采用不同的方法逼近同一个函数，其性能对比结果如表2.1所示

X

1

X

2

X

n1

X

n

G

G

G

G

W

1

W

2

F(x)

W

n1

W

n

图1RBF网络的拓扑图

Y(X)nI

Y(X)nIw(X,t)

nini

通常使用的RBF有：高斯i函1数、多二次函数(multiquadricfunction)

(1)

、逆多二

次函数、薄板样条函数等。

普通RBF网络采用的是高斯函数。当“基函数”采用