by 狐狐的鹿鹿
- RBF理解:
RBF网络为径向基网络。
基本结构:一般为两层网络,n-N-m结构。其中n为预测变量X的特征数,m为响应变量Y的特征数。即X是一个n维向量,Y是一个m维向量。如果把一个向量看作一个节点,实际上就是1-N-1。N是中心点的个数,可以从训练集中分布均匀的选取一些X作为中心点。隐层到输出则使用权值连接。
根据需要可以选择不同的激活函数,最常用的为高斯函数:
基本思想:RBF网络可以逼近任意曲线或曲面或超曲面。方法是认为任何曲线都可以表示为多个正态分布的叠加。中心点的个数就是正态分布的个数。
RBF网络学习分为两个阶段:- 隐层中心点的确定。使用K-means算法,经过多次迭代后,找出N个X的聚类中心。这里不详细记录,详见K-means算法。
如果选取高斯函数作为径向基函数:
- 隐层中心点的确定。使用K-means算法,经过多次迭代后,找出N个X的聚类中心。这里不详细记录,详见K-means算法。