径向基函数神经网络Matlab源代码

资 源 简 介

应用背景 众所周知，BP网络用于函数逼近时，权值的调节采用的是负梯度下降法。这个调节权值的方法有局限性，即收敛慢和局部极小等。径向基函数网络(RBF)在逼近能力、分类能力和学习速度等方面均优于BP网络。 Matlab中提供了四个径向基函数相关的函数，它们都是创建两层的神经网络，第一层都是径向基层，第二层是线性层或者竞争层。主要的区别是它们权值、阀值就算函数不同或者是否有阀值。 关键技术 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，

详 情 说 明

应用背景

众所周知，BP网络用于函数逼近时，权值的调节采用的是负梯度下降法。然而，这个调节权值的方法存在一些局限性，比如它的收敛速度比较慢，容易陷入局部极小值等问题。为了克服这些问题，我们可以采用径向基函数网络(RBF)来进行函数逼近。与BP网络相比，径向基函数网络在逼近能力、分类能力和学习速度等方面都更加优越。

在Matlab中，提供了四个与径向基函数相关的函数，它们都可以创建两层的神经网络。这些神经网络的第一层都是径向基层，第二层则可以是线性层或者竞争层。这些函数之间的主要区别在于它们的权值、阈值计算方法以及是否有阈值等方面。

关键技术

RBF网络具备逼近任意非线性函数的能力，可以处理系统内那些难以解析的规律性。它不仅具有良好的泛化能力，还能够以很快的速度进行学习和收敛。因此，RBF网络已经成功应用于许多领域，包括非线性函数逼近、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。

让我们简单说明一下为什么RBF网络学习收敛速度比较快。当一个网络的一个或多个可调参数（如权值或阈值）对每一个输出都有影响时，我们称之为全局逼近网络。然而，全局逼近网络的学习速度往往很慢，因为每次输入时，网络上的每一个权值都要进行调整。与之相对，局部逼近网络只有少数几个连接权值会影响输出，这样的网络称为局部逼近网络。常见的局部逼近网络包括RBF网络、小脑模型（CMAC）网络、B样条网络等。