第五节 径向基函数网络
我们前面所学习的多层前馈型网络模型对于每个输入输出数据对,网络的每一个权值均需要调整,这样的神经网络称之为全局逼近神经网络。全局逼近神经网络学习速度很慢,这对于控制来说常常是不可忽视的。下面我们将介绍一种新的网络:径向基函数(Radial basis Fanction 简记为RBF )网络。
径向基函数网络属于局部逼近网络,所谓局部逼近网络就是对于每个输入输出数据对,只有少量的权值需要进行调整,也正是基于这一点才使得局部逼近网络具有学习速度快的优点。另外,BP 网络用于函数逼近时,权值的调整是同梯度下降法,存在局部极小和收敛速度慢等缺点。而RBF 网络在逼近能力、分类能力和学习速度等方面均优于BP 网络。
一、径向基函数神经网络结构
如图5.1所示为径向基函数神经网络结构图。径向基函数网络输出单元是线性求和单元,所以输出是各隐单元输出的加权和。隐单元的作用函数用径向基函数,输入到隐单元间的权值固定为1,只有隐单元到输出单元的权值可调。
图5.1 RBF 网络结构图
输入层 隐含层
输出层
pj
Si
w ki
ak