matlab径向基函数插值,径向基函数（Radial Basis Function）插值

将RBF用于插值

标签(空格分隔)：径向基函数插值 算法 RBF

曲面重构

当高维数据稀疏，需要预测一些数据，需要使用曲面重构的方法。 曲面重构一般可以分为：

插值

重构

曲面插值里我们一般使用径向基函数插值。

RBF (Radial Basis Function)可以看作是一个高维空间中的曲面拟合(逼近)问题，学习是为了在多维空间中寻找一个能够最佳匹配训练数据的曲面，然后来一批新的数据，用刚才训练的那个曲面来处理。

RBF是一系列精确插值方法的组合，即表面必须通过每一个测到的曲面值。

RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、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。

简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调参数(权值或阈值)对任何一个输出都有影响时，这样的网络称为全局逼近网络。由于对于每次输入，网络上的每一个权值都要调整，从而导致全局逼近网络的学习速度很慢。BP网络就是一个典型的例子。

如果对于输入空间的某个局部区域只有少数几个连接权值影响输出，则该网络称为局部逼近网络。常见的局部逼近网络有RBF网络、小脑模型(CMAC)网络、B样条网络等。

将设RBF是非线性函数

\begin{equation}

\varphi(r) = \varphi(|x-x_i|)

\end{equation}

他的参数依赖于n维空间的欧式范数：

\begin{equation}

||\vec