RBF神经网络特点及应用讨论（转贴）
RBF网络的特点1.前向网络
2.隐单元的激活函数通常为具有局部接受域的函数，即仅当输入落在输入空间中一个很小的指定区域中时，隐单元才作出有意义的非零响应。因此，RBF网络有时也称为局部接受域网络(Localized Receptive Field Network)。
3.RBF网络的局部接受特性使得其决策时隐含了距离的概念，即只有当输入接近RBF网络的接受域时，网络才会对之作出响应。这就避免了BP网络超平面分割所带来的任意划分特性。
在RBF 网络中，输入层至输出层之间的所有权重固定为1，隐层RBF单元的中心及半径通常也预先确定，仅隐层至输出层之间的权重可调。RBF网络的隐层执行一种固定不变的非线性变换，将输入空间Rn映射到一个新的隐层空间Rh，输出层在该新的空间中实现线性组合。显然由于输出单元的线性特性，其参数调节极为简单，且不存在局部极小问题。
4.另外，研究还表明，一般RBF网络所利用的非线性激活函数形式对网络性能的影响并非至关重要，关键因素是基函数中心的选取。
RBF网络的优点：
①它具有唯一最佳逼近的特性，且无局部极小问题存在。
②RBF神经网络具有较强的输入和输出映射功能，并且理论证明在前向网络中RBF网络是完成映射功能的最优网络。
③网络连接权值与输出呈线性关系。
④分类能力好。
⑤学习过程收敛速度快。
RBF神经网络的应用
图像处理
语音识别
时间系列预测
自适应均等
雷达原点定位
医疗诊断
错误处理检测
模式识别
总之，RBF网络用得最多之处是用于分类。在分类之中，最广的还是模式识别问题。次之是时间序列分析问题。
许多模式识别试验都充分表明，RBF网络较其它网络具有更强的分类能力。首先，RBF具有更有效的非线性逼近能力。其次，RBF网络的学习速度较其它网络快。
页:
[1]