【讲解】RBF神经网络有什么用

目录

一、RBF神经网络是什么

1.1 RBF神经网络的结构

1.2 RBF神经网络的原理

二、RBF神经网络有什么用

2.1 RBF神经网络可以解决哪些问题

2.2 一个RBF神经网络实例

三、RBF神经网络的优缺点

3.1 RBF神经网络的优点

3.2 RBF神经网络的缺点

---

 本文部分图片来自《老饼讲解-机器学习》

一、RBF神经网络是什么

1.1 RBF神经网络的结构

RBF神经网络是一种三层神经网络，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的变换是线性的。它以径向基函数作为激活函数，通常采取径向基函数作为激活函数的神经网络就是RBF神经网络。

1.2 RBF神经网络的原理

RBF神经网络的基本思想是，用RBF作为隐单元的“基”构成隐藏层空间，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分的问题在商维空间内线性可分。RBF网络的激活函数以输入向盘和权值向盘之间的距离作为自变量，通常采用高斯函数。

如果上述较为难理解，不妨看一下2输入3隐节点的RBF神经网络的数学表达式，如下：

从数学表达式可以知道，RBF神经网络的思想原理主要就是通过多个RBF曲线来逼近目标曲线。

示图如下：

二、RBF神经网络有什么用

2.1 RBF神经网络可以解决哪些问题

RBF神经网络的应用广泛，可以在许多场合中应用，例如非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。

RBF神经网络可以解决如下问题：

特征提取：RBF神经网络可以用于从原始数据中提取有用的特征。通过训练，网络可以学习到数据的内在结构和关系，并从中提取出有代表性的特征。
分类和识别：RBF神经网络可以用于分类和识别任务。通过训练，网络可以学习到不同类别之间的差异，并用于对新的未知数据进行分类或识别。
回归分析：RBF神经网络可以用于回归分析任务，例如预测连续值的结果。通过训练，网络可以学习到输入与输出之间的映射关系，并用于预测新的数据。
时间序列预测：RBF神经网络可以用于时间序列预测任务，例如预测股票价格、气候变化等。通过训练，网络可以学习到时间序列的内在规律和趋势，并用于预测未来的值。

在应用RBF神经网络时，首先需要收集和准备数据，包括对数据进行预处理、特征提取等步骤。然后，根据数据的特点和任务需求，设计合适的RBF神经网络结构，并确定网络的参数和参数更新规则。接下来，利用训练数据对网络进行训练，通过反复迭代更新网络的参数，直到网络的性能达到满意的水平。最后，利用训练好的RBF神经网络对测试数据进行处理和分析，评估网络的性能和准确率

2.2 一个RBF神经网络实例

下面我们展示一个例子，展示如何在matlab中通过RBF神经网络来实现数值的预测。例子代码如下：

%------代码说明：用newrbe构建一个径向基神经网络 -----------------
% 来自《老饼讲解神经网络》www.bbbdata.com ,matlab版本：2018a   
%-------------------------------------------------------------------%
%----数据准备----                              
x  = [-2,-1,0,1,2;-6,-2,0,3,8];                % 输入数据
y  = [3,2,3,1,2];                              % 输出数据
%----网络训练----                              
net = newrbe(x, y, 0.5);                       % 以X，Y建立径向基网络，目标误差为0.01，径向基的宽度参数spread=0.5
py = sim(net,x)                                % 用建好的网络进行预测，这里的x是要用来进行预测的输入

% ----打印结果----------
err_rate = mean(abs(py-y)./abs(y))             % 计算相对误差占比
plot(1:length(y),y,'*',1:length(y),py,'o')     % 绘制结果,x轴代表样本
legend('原始数据的y','网络预测的y')            % 添加图例

运行后得到如下结果：

可以看到，RBF神经网络很好地预测了输出值。

需要注意的是，RBF神经网络的应用效果受到多种因素的影响，包括数据的质量和数量、网络的结构和参数、训练算法的选择等。因此，需要根据具体情况进行优化和调整，以获得最佳的性能和准确率。

三、RBF神经网络的优缺点

3.1 RBF神经网络的优点

RBF神经网络的优点包括：
1.具有唯一最佳的特性，无局部极小问题存在。
2.具有全局逼近能力，可以任意精度逼近任意的非线性函数。
3.学习过程收敛速度快。
4.具有较佳的泛化能力。
5.结构参数可实现分离学习。

3.2 RBF神经网络的缺点

RBF神经网络的缺点包括：
1.无法解释自己的推理过程和推理依据。
2.当样本数据不足时，预测结果不太准确。
3.在训练样本增多时，RBF网络的隐层神经元数会大幅增加，使得RBF网络的复杂度大增加，结构过于庞大，从而运算量也有所增加。

---

写文不易，点赞收藏吧~！