RBF（径向基函数）神经网络

今天学习了RBF神经网络，里面有一些概念个人觉得不是很好理解。

RBF神经网络是一种单隐层前馈神经网络，如下所示RBF

        RBF神经网络一共分为三层，第一层为输入层即Input Layer，由信号源节点组成；第二层为隐藏层即图中中间的黄球，隐藏层中神经元的变换函数即径向基函数是对中心点径向对称且衰减的非负线性函数，该函数是局部响应函数。因为是局部相应函数，所以一般要根据具体问题设置相应的隐藏层神经元个数；第三层为输出层，是对输入模式做出的响应，输出层是对线性权进行调整，采用的是线性优化策略，因而学习速度较快。

        下面介绍一下中心与权重，中心即为数据中心，一般选取数据中心的方法如下：

        ①直接计算法(随机选取RBF中心)

        ②自组织学习选取RBF中心法（聚类）

        权重即为连接权，也就是隐藏层到输出层的权值。

        隐藏层神经元往往需要一个激活函数，通常激活函数选取高斯函数

则RBF神经网络可表示为

其中两个个参数从左到右分别为权重，数据中心

通常采用两步来训练RBF网络：首先，确定神经元中心Ci。其次利用BP算法来确定参数和

其中表示第i个神经元接收到的输入。

以上均为个人理解，如果有错，欢迎随时指出