径向基神经网络的两种结构

径向基神经网络的简称为RBF网络，RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。
RBF与多层感知器的区别，多层感知器有多层隐含层，RBF只有一个隐含层。
RBF由三层组成：输入层，隐含层，输出层




隐含层是非线性的，采用径向基函数作为基函数（传递函数），从而将输入向量空间转为隐含层空间，是原来的线性不可分问题变得线性可分。

径向基函数，有多种形式，其中最常用的就是高斯函数（其是一个对称函数，在x轴原点处值最大，两边逐渐远离原点的地方，值逐渐变小），
径向基网络输入层和隐含层之间没有权值，隐含层和输出层之间有权值， 输出层为线性的




径向基网络的结构分为两种：
1、正则化网络， 是一个通用的逼近器，这意味着，只要有足够多的隐含节点，它就可以以任意精度逼近任意的连续函数。
2、给定一个未知的非线性函数f，总可以选择一组系数，是的网络对f 的逼近是最优的




可参考：径向基函数（RBF）神经网络 - Orisun - 博客园 http://www.cnblogs.com/zhangchaoyang/articles/2591663.html