RBF（径向基函数）神经网络

1、输入层到隐含层之间的距离不是通过权值和阈值进行连接的，而是通过输入样本与隐含层（与中心点的距离）进行连接的。
2、得到距离之后，将距离代入径向基函数，得到一个数值。数值再与后边的权值相乘再求总和，就得到了相应输入的输出。
3、在训练网络之前，需要确定中心点的个数，和中心点的位置。以及求出隐藏层各径向基函数的方差（宽窄程度）。和隐藏层和输出层之间的权值。
4、中心点个数、中心点位置、方差、权值都可以通过下文所述的方法求出来。
5、径向基函数也是一种基，可以通过对其线性组合，来对非线性函数进行拟合。
6、RBF神经网络只需要了解其中的原理。然后给了训练数据，求出上述几个参数，再输入测试数据，就可以预测输出了。

如第三个图，径向基函数的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。