径向基神经网络的两种结构
2017-04-03 18:14
197 查看
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
![](http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif)
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
![](http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif)
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
![](http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif)
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
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
![](http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif)
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
![](http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif)
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
![](http://simg.sinajs.cn/blog7style/images/common/sg_trans.gif)
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
相关文章推荐
- 径向基(Radial basis function)神经网络、核函数的一些理解
- 神经网络结构参数
- 使用 json 进行神经网络结构信息的格式化 (dump & load)
- 深度学习与计算机视觉系列(6)_神经网络结构与神经元激励函数
- 灵活定义神经网络结构
- 两种网络结构模型(二、三)
- Python + Graphviz 绘制神经网络结构图
- 神经网络数据结构
- 【深度学习】在Caffe中配置神经网络的每一层结构
- CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的内部网络结构有什么区别?
- 基于遗传算法优化神经网络结构源程序
- RBF(径向基)神经网络 非线性函数回归的实现
- 深度神经网络结构以及Pre-Training的理解
- RBF径向基神经网络——乳腺癌医学诊断建模
- 神经网络与机器学习导言笔记——网络结构与知识表示
- 《神经网络和深度学习》系列文章四:神经网络的结构
- 机器学习之&&Andrew Ng课程复习--- 神经网络的表层结构1
- 机器学习之径向基神经网络(RBF NN)
- 深度学习与计算机视觉系列(6)_神经网络结构与神经元激励函数
- CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的内部网络结构有什么区别?