RBF神经网络是一种三层前馈网络，通过非线性变换将低维空间的非线性问题转化为高维空间的线性问题。它由输入层、隐含层（使用径向基函数进行非线性变换）和输出层组成。学习过程分为自组织和监督两个阶段，适用于函数逼近、时间序列分析、分类和识别等领域。RBF网络因其快速的学习速度、强大的泛化能力和无局部极小值问题而受到青睐，但也存在无法解释推理过程和依赖充足样本的缺点。
Deeplearning Algorithms tutorial
谷歌的人工智能位于全球前列，在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗，覆盖无人驾驶、智能助手、图像识别等许多层面。苹果业已开始全面拥抱机器学习，新产品进军家庭智能音箱并打造工作站级别Mac。另外，腾讯的深度学习平台Mariana已支持了微信语音识别的语音输入法、语音开放平台、长按语音消息转文本等产品，在微信图像识别中开始应用。全球前十大科技公司全部发力人工智能理论研究和应用的实现，虽然入门艰难，但是一旦入门，高手也就在你的不远处！ AI的开发离不开算法那我们就接下来开始学习算法吧！
RBF神经网络
径向基函数（RBF，Radial Basis Function）神经网络，是一种对局部逼近的神经网络。是由J.Moody 和C.Darken于20世纪80年代末提出的一种神经网络，径向基函数方法在某种程度上利用了多维空间中传统的严格插值法的研究成果。在神经网络的背景下，隐藏单元提供一个“函数”集，该函数集在输入模式向量扩展至隐层空间时为其构建了一个任意的“基”；这个函数集中的函数就被称为径向基函数。径向基函数首先是在实多变量插值问题的解中引入的。径向基函数是目前数值分析研究中的一个主要领域之一。
最基本的径向基函数（RBF）神经网络的构成包括三层，其中每一
最低0.47元/天 解锁文章
扫一扫
5389
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
