径向基函数及RBF网络

径向基函数 (RBF) 是多变量插值方法。

径向基函数的取值仅仅依赖于离原点距离的实值函数，Φ(x) = Φ(‖x‖)，或者还可以是到任意一点c的距离，c点称为中心点，Φ(x，c) = Φ(‖x-c‖)。

任意满足 Φ(x) = Φ(‖x‖) 特性的函数 Φ 都可称为径向基函数，一般使用欧氏距离 (欧式径向基函数)，其他距离也可以。最常用的径向基函数是高斯核函数，k(||x-xc||) = exp{- ||x-xc||^2/(2*σ)^2) } x_c 为核函数中心，σ 为函数的宽度参数 , 控制了函数的径向作用范围。

RBF网络是三层神经网络，其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。

RBF 基本思想：用 RBF 作为隐单元的“基”构成隐含层空间，可以将输入矢量直接映射到隐空间，不需要权连接。RBF的中心点确定后，映射关系就确定了，而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。

隐含层的作用是把向量从低维度的p映射到高维度的h，这样低维度线性不可分的情况到高维度就可以变得线性可分了，主要就是核函数的思想。网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。网络的权由线性方程组解出，加快学习速度避免局部极小问题。

高斯核函数：主要是衡量两个对象的相似度；

                    当两个对象越接近，即 a 与 b 距离趋近于0则高斯核函数的值趋近于1，

                    反之则趋近于0；两个对象越相似，高斯核函数值就越大。

作用：分类时衡量各个类别的相似度， sigma 用于调整过拟合的情况，sigma参数较小时，即要求分类器将差距很小的类别也要分类，会出现过拟合问题；用于模糊控制时反映模糊集的隶属度。

参考：

RBF（径向基）神经网络 - 禅在心中 - 博客园

python实现径向基核函数_moge19的专栏-CSDN博客_径向基函数python