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,为高斯核的宽度。为样本点到中心点的欧式距离。
假定输入为d维向量x,输出为实值,则RBF网络可定义为:
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:
。
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,