径向基神经网络_RBF神经网络及其在控制中的应用简介

      目前，在控制领域内神经网络正在稳步地发展，这种发展的动力主要来自3个方面[1]：(1)处理越来越复杂的系统的需要；(2)实现越来越高的设计目标的需要；(3)在越来越不确定的情况下进行控制的需要。

      在控制中，应用较多的网络是BP网络，但BP网络存在局部最优问题，并且训练速度慢，效率低。RBF网络在一定程度上克服了这些问题，因此它的研究与应用越来越得到重视。下面将简单介绍RBF神经网络的有关理论，以及其在控制中的应用。

1 RBF神经网络介绍

RBF神经网络(Radial Basis Function Neural Network)，即径向基神经网络，由Moody和 Darken在1988年提出，其结构如图1所示，是一种性能良好、具有单隐层的三层前向网络。输入层由信号源节点组成，第二层为隐含层，第三层为输出层。从输入空间到隐含层空间的变换是非线性的，而从隐含层空间到输match出层空间的变换是线性的，隐单元的变换函数是径向基函数，输出层神经元采用线性单元，RBF神经网络是一种局部分布的对中心径向对称衰减的非负非线性函数，已经证明，RBF网络是连续函数的最佳逼近，优于BP网络[2]。

径向基函数有许多种形式，其中最为常用的是高斯核函数：

其中，x是n维输入向量；c_i是第i个基函数的中心；σ_i是平滑参数，决定了第i基函数中心点的宽度；m是感知单元的个数；表示范数，通常取欧式范数。