在线时间:8:00-16:00
迪恩网络APP
随时随地掌握行业动态
扫描二维码
关注迪恩网络微信公众号
结构简单、收敛速度款、能够逼近任意非线性函数的网络-径向基函数(Radial Basis Function,RBF)网络。 1988年Broomhead和Love根据生物神经元具有局部响应的原理,将径向基函数引入神经网络中。 径向基函数三层构成的前向网络:输入层,隐含层,输出层。 本章还会介绍概率神经网络和广义回归网络,分别在模式分类和函数逼近上有着更为优越的表现。
径向基神经网络分为正则化网络和广义网络。在工程实践中广泛应用的是广义网络,可由正则化网络稍加变化得到。 径向基函数在神经网络、SVM(支持向量机)、散乱数据拟合等领域有十分重要的应用,高斯函数就是径向基函数的一种。 范数 如p-范数
当X=[x1,x2],Y=[y1,y2],向量X,Y代表空间中的一个点,若p=2,||X-Y||=√(x1-y1)²+(x2-y2)²,等于这两个点之间的距离。 一般的,欧几里得范数指的就是2-范数。 在我的理解中,径向基神经网络计算输入节点和每个中心节点的距离,(中心节点指是隐含层取的中心节点)。计算每个点的类似于高斯函数对其的影响,由于高斯图像性质,自然离得近的点影响越大,所以权值越高,经过径向基函数处理后叠加,就得到了输出值。 |
2023-10-27
2022-08-15
2022-08-17
2022-09-23
2022-08-13
请发表评论