1.RBF 的泛化能力在多个方面都优于BP 网络, 但是在解决具有相同精度要求的问题时, BP 网络的结构要比RBF 网络简单。？？ 2.RBF 网络的逼近精度要明显高于BP 网络,它几乎能实现完全逼近, 而且设计起来极其方便, 网络可以自动增加神经元直到满足精度要求为止。但是在训练样本增多时, RBF 网络的隐层神经元数远远高于前者, 使得RBF 网络的复杂度大增加, 结构过于庞大,

1.BP---回退着减少误差 2.人脸方向的数据 3.每张脸8个数字，共训练15张脸。输出为二进制方向 4.BP网络结构。tansig函数+purslin函数 5.BP训练过程，误差0.001 6.代码 %function mytest() clc; images=[ ]; M_train=3;%表示人脸 N_train=5;%

online对于无数据的实时系统很实用，但前期肯定效果不好~

1.二者在形式上有几分相似,但实际上有很大不同。 简而言之，神经网络是个“黑匣子”，优化目标是基于经验风险最小化，易陷入局部最优，训练结果不太稳定，一般需要大样本； 而支持向量机有严格的理论和数学基础，基于结构风险最小化原则, 泛化能力优于前者，算法具有全局最优性, 是针对小样本统计的理论。 目前来看，虽然二者均为机器学习领域非常流行的方法，但后者在很多方面的应用一般都优于前者。

看了BP、RBF、广义回归神经网络GRNN及SVM等模式识别的介绍，现在将了解到的各种方法的优缺点列在这里，希望热心的朋友能够提供更详细的比较信息，让我知道针对各种问题该用哪种方法。 1.单隐层的BP神经网络：使用最广的网络，一般使用单隐层网络，隐含层（中间层）神经元个数＝2*输入层神经元个数+1。（这个好像也有意外情况，比如输入神经元个数少时，是否可以适当增加中间层神经元个数？）中间层个数越多

1.注意：若矩阵不为方阵，则采用伪逆！ 2.简单神经网络，用于线性可分。 3.依然仅一个神经元，但做了空间转换，解决非线性分类问题 4.简单小例子 5.RBF定义 . 6.小例子 7.代码 =====rbf_approx====== clc;

1.无监督分类 2.概述 . 3.小例子 4.每个样本有114个特征 5.注意归一化，此题无离奇值。不归一也行。 7.代码 未归一化 load "abs.txt" load abs.txt data=abs, size(data) data=data(:,2:115); P=data(1:40,:) T=data(41:60,:) P=P'

注意：2010b之后的版本，函数做了更新 在mathworks公司的网站上可以查到如下信息： The new functions (and the old functions they replace) are: feedforwardnet (newff)  cascadeforwardnet (newcf)  competlayer (newc)  distdelaynet