Bernstein多项式与RBF函数

在做函数拟合时，我们会选用多项式作为基函数，因为多项式易于计算、表现良好、光滑，表达能力足够。然而多项式插值存在一定问题，存在振荡现象和对插值点数的高度敏感性。为此，我们需要更好的基函数来做插值，由此引入Bernstein基函数。

n次Bernstein基函数定义为：

对于[0, 1]区间上任意连续函数 f(x) 和任意正整数n，在n趋于无穷的时候，Bernstein多项式可以一致逼近 f(x)。

Bernstein基函数有很多良好的性质：

• 非负性
• 权性（和为1）
• 凸包性
• 逼近结果优秀
  
  当把b(n,j)看作是系数时，当n趋于无穷大时，点足够密，对于拟合之后的函数就会逼近到原值。把f看成系数时，就会变成一个新的函数。

RBF就是高斯函数在高维的情况，我们同样可以通过把RBF函数作为基函数实现函数拟合。


但是当均值μ和方差δ选取的不够好的时候，效果也不好。所以，我们可以想办法让均值和方差一起来优化。

机器学习就是在做拟合，在RBF神经网络就是用高斯函数作为激活函数。通过输入和输出来训练方差和均值。