RBF神经网络-教程PPT格式课件下载.ppt

RBF神经网络-教程PPT格式课件下载.ppt

《RBF神经网络-教程PPT格式课件下载.ppt》由会员分享，可在线阅读，更多相关《RBF神经网络-教程PPT格式课件下载.ppt（17页珍藏版）》请在冰点文库上搜索。

第三层为输出层，它对输入模式的作用做出响应。

由于输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，从而可以大大加快学习速度并避免局部极小问题。

图1RBF网络结构,3RBF网络特点前向网络；

RBF网络的作用函数为高斯函数，是局部的，BP网络的作用函数为S函数，是全局的；

如何确定RBF网络隐层节点的中心及基宽度参数是一个困难的问题；

RBF网络具有唯一最佳逼近的特性，且无局部极小。

4RBF网络的逼近采用RBF网络逼近一对象的结构如图2所示。

图2RBF神经网络逼近,在RBF网络结构中，为网络的输入向量。

设RBF网络的径向基向量:

其中hj为高斯基函数：

式中，表示欧式范数网络的第j个结点的中心矢量为：

其中，i=1,2,n；

j=1,2,m。

设网络的基宽向量为：

为节点的基宽度参数，且为大于零的数。

网络的权向量为：

k时刻网络的输出为：

设理想输出为y（k），则性能指标函数为：

5RBF网络的学习算法,RBF神经网络学习算法需要求解的参数有3个：

基函数的中心、隐含层到输出层权值以及节点基宽参数。

根据径向基函数中心选取方法不同，RBF网络有多种学习方法，如梯度下降法、随机选取中心法、自组织选区中心法、有监督选区中心法和正交最小二乘法等。

下面根据梯度下降法，输出权、节点中心及节点基宽参数的迭代算法如下。

其中,为学习速率，为动量因子。

（雅克比阵）（即为对象的输出对控制输入的灵敏度信息）算法为：

其中取。

使用RBF网络逼近下列对象：

6RBF网络逼近仿真实例,7RBF网络的优点：

神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。

具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场。

它具有唯一最佳逼近的特性，且无局部极小问题存在。

RBF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。

网络连接权值与输出呈线性关系。

分类能力好。

学习过程收敛速度快。

8RBF网络的缺点,最严重的问题是没能力来解释自己的推理过程和推理依据。

不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。

把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。

理论和学习算法还有待于进一步完善和提高。

隐层基函数的中心是在输入样本集中选取的,这在许多情况下难以反映出系统真正的输入输出关系,并且初始中心点数太多;

另外优选过程会出现数据病态现象。

9RBF神经网络的应用,图像处理，语音识别，时间系列预测，雷达原点定位，医疗诊断，错误处理检测，模式识别等。

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。

Thanks,根据神经网络运行过程中的信息流向，可分为前馈式和反馈式两种基本类型。

前馈网络的输出仅由当前输入和权矩阵决定，而与网络先前的输出状态无关。

常见的前馈神经网络有BP网络，RBF网络等.常见的反馈神经网络有Hopfield网络等.,Hopfield网络模型,