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+(x_2-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。