RBF神经网络的学习算法

RBF网络需要学习的参数有3个：基函数的中心ci，方差σi以及隐含层与输出层间的权值Wi，根据径向基函数中心选取方法的不同，最常见的学习方法有：自组织选取中心法、正交最小二乘法等方法。

自组织学习过程中确定ci和σi的方法是聚类方法。聚类方法就是把样本聚成几类，以类中心作为各RBF函数的中心，常用的方法有k均值聚类法。

权值W的学习算法可用LMS(最小均方误差)方法、也可直接用伪逆法或最小二乘法求解。其中LMS权值W的调整规则为：

这里X(n)为隐含层输出；w(n)为权值向量；d(n)为期望输出；η为学习速率；n为迭代次数。

RBF神经网络结构简单，其设计比普通前向网络训练要省时得多。如果隐层神经元的数目足够，每一层的权值和阈值正确，那么RBF函数网络就完全能够精确地逼近任意函数，方便地存储和表征照明计算、建筑电气计算所需的大量非线性数据。