机器学习算法——神经网络4（RBF神经网络）

最新推荐文章于 2024-04-05 11:09:38 发布

VIP文章 Vicky_xiduoduo

最新推荐文章于 2024-04-05 11:09:38 发布

阅读量7.3k

点赞数 5

分类专栏：神经网络文章标签：神经网络算法机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Vicky_xiduoduo/article/details/124753667

版权

RBF(Radial Basis Function,径向基函数)网络是一种单隐层前馈神经网络。它使用径向基函数作为隐层神经元激活函数，而输出层是对隐层神经元输出的线性组合。

所以，RBF神经网络是一种三层神经网络，其包括输入层、隐层、输出层。从输入层到隐层的变换是非线性的，从隐层到输出层的变换是线性的。RBF神经网络结构如下图所示。

其中， $\varphi$ 我们称之为径向基函数，最常见的径向基函数是高斯径向基函数（或称为“高斯核函数”或者RBF核函数）。高斯核函数定义如下：

$\varphi (x_i, c_i) = e ^{-\frac{||x_i-c_i||^2}{2 \sigma^2}}$

其中， $c_i$ 是第i个神经元的中心点， $\sigma$ 为高斯核的宽度。 $||x_i-c_i||$ 为样本点 $x_i$ 到中心点 $c_i$ 的欧式距离。

假定输入为d维向量x，输出为实值，则RBF网络可定义为：

$f(x) = \sum_{j=1}^{q} w_j \cdot \varphi (x, c_j)$

其中，q为隐层神经元个数，wj是第j个隐层神经元所对应的权重，cj是第j个隐层神经元所对应的中心。

用均方误差定义误差函数，目标是为了最小化(累积)误差函数：

$E= \frac{1}{2m} \sum_{i=1}^{m} e_i^2 = \frac{1}{2m} \sum_{i=1}^m (f(x)-y)^2 = \frac{1}{2m} \sum_{i=1}^{m} (\sum_{j=1}^q w_j \varphi(x, c_j) -y)^2$ 。

利用BP算法反向传播误差，并利用梯度下降法分别求得RBF网络参数，

最低0.47元/天解锁文章

关注

5
点赞
踩
88

收藏

觉得还不错? 一键收藏
3
评论
机器学习算法——神经网络4（RBF神经网络）

RBF(Radial Basis Function,径向基函数)网络是一种单隐层前馈神经网络。它使用径向基函数作为隐层神经元激活函数，而输出层是对隐层神经元输出的线性组合。所以，RBF神经网络是一种三层神经网络，其包括输入层、隐层、输出层。从输入层到隐层的变换是非线性的，从隐层到输出层的变换是线性的。RBF神经网络结构如下图所示。其中，我们称之为径向基函数，最常见的径向基函数是高斯径向基函数（或称为“高斯核函数”或者RBF核函数）。高斯核函数定义如下：其中，是第i个神经元的中心点，为高.
复制链接

扫一扫

专栏目录

评论 3

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。