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。