1、rbf神經(jīng)網(wǎng)絡(luò)算法是什么?

RBF神經(jīng)網(wǎng)絡(luò)算法是由三層結(jié)構(gòu)組成，輸入層至隱層為非線性的空間變換，一般選用徑向基函數(shù)的高斯函數(shù)進(jìn)行運(yùn)算；從隱層至輸出層為線性空間變換，即矩陣與矩陣之間的變換。

RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)運(yùn)算時(shí)需要確認(rèn)聚類中心點(diǎn)的位置及隱層至輸出層的權(quán)重。通常，選用K-means聚類算法或最小正交二乘法對(duì)數(shù)據(jù)大量的進(jìn)行訓(xùn)練得出聚類中心矩陣和權(quán)重矩陣。

一般情況下，最小正交二乘法聚類中心點(diǎn)的位置是給定的，因此比較適合分布相對(duì)規(guī)律的數(shù)據(jù)。而K-means聚類算法則會(huì)自主選取聚類中心，進(jìn)行無監(jiān)督分類學(xué)習(xí)，從而完成空間映射關(guān)系。

RBF網(wǎng)絡(luò)特點(diǎn)

RBF網(wǎng)絡(luò)能夠逼近任意非線性的函數(shù)(因?yàn)槭褂玫氖且粋€(gè)局部的激活函數(shù)。在中心點(diǎn)附近有最大的反應(yīng)；越接近中心點(diǎn)則反應(yīng)最大，遠(yuǎn)離反應(yīng)成指數(shù)遞減；就相當(dāng)于每個(gè)神經(jīng)元都對(duì)應(yīng)不同的感知域)。

可以處理系統(tǒng)內(nèi)難以解析的規(guī)律性，具有很好的泛化能力，并且具有較快的學(xué)習(xí)速度。

有很快的學(xué)習(xí)收斂速度，已成功應(yīng)用于非線性函數(shù)逼近、時(shí)間序列分析、數(shù)據(jù)分類、模式識(shí)別、信息處理、圖像處理、系統(tǒng)建模、控制和故障診斷等。

當(dāng)網(wǎng)絡(luò)的一個(gè)或多個(gè)可調(diào)參數(shù)（權(quán)值或閾值）對(duì)任何一個(gè)輸出都有影響時(shí)，這樣的網(wǎng)絡(luò)稱為全局逼近網(wǎng)絡(luò)。由于對(duì)于每次輸入，網(wǎng)絡(luò)上的每一個(gè)權(quán)值都要調(diào)整，從而導(dǎo)致全局逼近網(wǎng)絡(luò)的學(xué)習(xí)速度很慢，比如BP網(wǎng)絡(luò)。

谷歌人工智能寫作項(xiàng)目：小發(fā)貓

2、rbf神經(jīng)網(wǎng)絡(luò)原理

rbf神經(jīng)網(wǎng)絡(luò)原理是用RBF作為隱單元的“基”構(gòu)成隱含層空間，這樣就可以將輸入矢量直接映射到隱空間，而不需要通過權(quán)連接pnn神經(jīng)網(wǎng)絡(luò)和rbf神經(jīng)網(wǎng)絡(luò)。

當(dāng)RBF的中心點(diǎn)確定以后，這種映射關(guān)系也就確定了。而隱含層空間到輸出空間的映射是線性的，即網(wǎng)絡(luò)的輸出是隱單元輸出的線性加權(quán)和，此處的權(quán)即為網(wǎng)絡(luò)可調(diào)參數(shù)。其中，隱含層的作用是把向量從低維度的p映射到高維度的h，這樣低維度線性不可分的情況到高維度就可以變得線性可分了，主要就是核函數(shù)的思想。

這樣，網(wǎng)絡(luò)由輸入到輸出的映射是非線性的，而網(wǎng)絡(luò)輸出對(duì)可調(diào)參數(shù)而言卻又是線性的。網(wǎng)絡(luò)的權(quán)就可由線性方程組直接解出，從而大大加快學(xué)習(xí)速度并避免局部極小問題。

擴(kuò)展資料

BP神經(jīng)網(wǎng)絡(luò)的隱節(jié)點(diǎn)采用輸入模式與權(quán)向量的內(nèi)積作為激活函數(shù)的自變量，而激活函數(shù)采用Sigmoid函數(shù)。各調(diào)參數(shù)對(duì)BP網(wǎng)絡(luò)的輸出具有同等地位的影響，因此BP神經(jīng)網(wǎng)絡(luò)是對(duì)非線性映射的全局逼近。

RBF神經(jīng)網(wǎng)絡(luò)的隱節(jié)點(diǎn)采用輸入模式與中心向量的距離（如歐式距離）作為函數(shù)的自變量，并使用徑向基函數(shù)（如Gaussian函數(shù)）作為激活函數(shù)。神經(jīng)元的輸入離徑向基函數(shù)中心越遠(yuǎn)，神經(jīng)元的激活程度就越低（高斯函數(shù)）。

RBF網(wǎng)絡(luò)的輸出與部分調(diào)參數(shù)有關(guān)，譬如，一個(gè)wij值只影響一個(gè)yi的輸出（參考上面第二章網(wǎng)絡(luò)輸出），RBF神經(jīng)網(wǎng)絡(luò)因此具有“局部映射”特性。

參考資料來源：

3、Rbf神經(jīng)網(wǎng)絡(luò)原理

rbf神經(jīng)網(wǎng)絡(luò)即徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radical Basis Function）。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一種高效的前饋式神經(jīng)網(wǎng)絡(luò)，它具有其他前向網(wǎng)絡(luò)所不具有的最佳逼近性能和全局最優(yōu)特性，并且結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練速度快。同時(shí)，它也是一種可以廣泛應(yīng)用于模式識(shí)別、非線性函數(shù)逼近等領(lǐng)域的神經(jīng)網(wǎng)絡(luò)模型。

4、RBF神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)！

1.RBF 的泛化能力在多個(gè)方面都優(yōu)于BP 網(wǎng)絡(luò), 但是在解決具有相同精度要求的問題時(shí), BP網(wǎng)絡(luò)的結(jié)構(gòu)要比RBF 網(wǎng)絡(luò)簡(jiǎn)單。2. RBF 網(wǎng)絡(luò)的逼近精度要明顯高于BP 網(wǎng)絡(luò),它幾乎能實(shí)現(xiàn)完全逼近, 而且設(shè)計(jì)起來極其方便, 網(wǎng)絡(luò)可以自動(dòng)增加神經(jīng)元直到滿足精度要求為止。但是在訓(xùn)練樣本增多時(shí), RBF 網(wǎng)絡(luò)的隱層神經(jīng)元數(shù)遠(yuǎn)遠(yuǎn)高于前者, 使得RBF 網(wǎng)絡(luò)的復(fù)雜度大增加, 結(jié)構(gòu)過于龐大, 從而運(yùn)算量也有所增加。3. RBF神經(jīng)網(wǎng)絡(luò)是一種性能優(yōu)良的前饋型神經(jīng)網(wǎng)絡(luò)，RBF網(wǎng)絡(luò)可以任意精度逼近任意的非線性函數(shù)，且具有全局逼近能力，從根本上解決了BP網(wǎng)絡(luò)的局部最優(yōu)問題，而且拓?fù)浣Y(jié)構(gòu)緊湊，結(jié)構(gòu)參數(shù)可實(shí)現(xiàn)分離學(xué)習(xí)，收斂速度快。4. 他們的結(jié)構(gòu)是完全不一樣的。BP是通過不斷的調(diào)整神經(jīng)元的權(quán)值來逼近最小誤差的。其方法一般是梯度下降。RBF是一種前饋型的神經(jīng)網(wǎng)絡(luò)，也就是說他不是通過不停的調(diào)整權(quán)值來逼近最小誤差的，的激勵(lì)函數(shù)是一般是高斯函數(shù)和BP的S型函數(shù)不一樣，高斯函數(shù)是通過對(duì)輸入與函數(shù)中心點(diǎn)的距離來算權(quán)重的。5. bp神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率是固定的，因此網(wǎng)絡(luò)的收斂速度慢，需要較長(zhǎng)的訓(xùn)練時(shí)間。對(duì)于一些復(fù)雜問題，BP算法需要的訓(xùn)練時(shí)間可能非常長(zhǎng)，這主要是由于學(xué)習(xí)速率太小造成的。而rbf神經(jīng)網(wǎng)絡(luò)是種高效的前饋式網(wǎng)絡(luò)，它具有其他前向網(wǎng)絡(luò)所不具有的最佳逼近性能和全局最優(yōu)特性，并且結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練速度快。

5、幫忙求翻譯 小弟全部分?jǐn)?shù)奉上 10

你好，我在大學(xué)里學(xué)得就是英語專業(yè)，你的問題就交縱然吧
譯文如下
卡爾曼濾波（KF法）是申請(qǐng)了若干年親隨一/ INS組合最佳的GPS模塊。最近，在人工智能（AI）為基礎(chǔ)的一些技術(shù)已經(jīng)被提出來取代氟化鉀，以消除其inadequa -連鎖商店一些。主要不足有關(guān)的KF的GPS / INS整合利用是有必要的傳感器誤差每一個(gè)預(yù)定義的Accu -率隨機(jī)模型。此外，關(guān)于協(xié)方差信息值前兩慣導(dǎo)和GPS數(shù)據(jù)以及（即方差和相關(guān)時(shí)間）每個(gè)傳感器系統(tǒng)被稱為準(zhǔn)確的統(tǒng)計(jì)特性。
??幾個(gè)人工智能 - 基于GPS / INS組合結(jié)構(gòu)采用多層每次ceptron神經(jīng)網(wǎng)絡(luò)（MLPNN），徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF網(wǎng)絡(luò)）和自適應(yīng)神經(jīng)元模糊推斷- ence系統(tǒng)（ANFIS）進(jìn)行了報(bào)道的GPS / INS整合。這些方法背后的所有主要的想法是哩話筒的最新動(dòng)態(tài)車輛通過培訓(xùn)期間的GPS信號(hào)的可用性AI模塊。實(shí)證模型，親正如事實(shí)移民局輸出（位置或速度），并提供了對(duì)應(yīng)的慣導(dǎo)系統(tǒng)的位置或速度誤差可以在更新過程中（培訓(xùn)）制定的程序。在GPS中斷的情況下，這種模式運(yùn)作，以糾正在INS輸出不準(zhǔn)確的預(yù)測(cè)模式。現(xiàn)有的人工智能全部 - 基于模型涉及在一定時(shí)間瞬間移民局位置或在同一瞬間速度的慣性導(dǎo)航系統(tǒng)誤差。這種模式的主要缺點(diǎn)是它們不能彌麥克風(fēng)移民局移民局在任何位置或速度誤差在更新過程的趨勢(shì)。因此，在相當(dāng)長(zhǎng)的GPS超出年齡的情況下，現(xiàn)有的人工智能為基礎(chǔ)的模型之一的，不得capableof提供可靠和準(zhǔn)確的定位解決方案，尤其是戰(zhàn)術(shù)和低成本的系統(tǒng)。此外，最近公布的一些結(jié)果表明，氟化鉀可能超越在全球定位系統(tǒng)外的幾秒鐘歲的人工智能為基礎(chǔ)的一些技巧。這是由于不準(zhǔn)確的線性動(dòng)態(tài)模型慣導(dǎo)系統(tǒng)誤差的一步利用。這種線性化模式運(yùn)作阿德- quately僅在短期長(zhǎng)期的GPS中斷。在長(zhǎng)期的GPS中斷的情況下，忽略非線性和非平穩(wěn)增長(zhǎng)的錯(cuò)誤部分大型價(jià)值和整體狀況惡化，荷蘭國(guó)際集團(tuán)的準(zhǔn)確性。對(duì)不適當(dāng)?shù)膽T性傳感器的隨機(jī)模型的負(fù)面影響也出現(xiàn)在長(zhǎng)期全球定位系統(tǒng)中斷情況。

6、全局逼近和局部逼近神經(jīng)網(wǎng)絡(luò)

全局逼近網(wǎng)絡(luò)是指該網(wǎng)絡(luò)需要對(duì)所有權(quán)值進(jìn)行修正，而局部只需要修正一小部分權(quán)值

7、前饋型神經(jīng)網(wǎng)絡(luò)常用于什么

1.主要應(yīng)用包括感知器網(wǎng)絡(luò)。按內(nèi)容而分布在網(wǎng)絡(luò)某一處，可以存儲(chǔ)一個(gè)外部信息。而每個(gè)神經(jīng)元以分散的形式存儲(chǔ)在感知器上。網(wǎng)絡(luò)的分布對(duì)存儲(chǔ)有等勢(shì)作用。這種分布式存儲(chǔ)是神經(jīng)系統(tǒng)均勻分布在網(wǎng)絡(luò)上的自身具備的特點(diǎn)。在大腦的反射弧層里面，對(duì)應(yīng)感知的存儲(chǔ)應(yīng)用。
2.主要應(yīng)用于BP網(wǎng)絡(luò)。也叫多層前饋網(wǎng)絡(luò)。模擬人腦，分配勻稱，達(dá)到自主學(xué)習(xí)功效。每個(gè)大腦皮層細(xì)胞在識(shí)別各列和和各類的存儲(chǔ)信息時(shí)，進(jìn)行自動(dòng)排列和分配，運(yùn)算。可以鏈接訓(xùn)練記憶樣本與樣本輸出的聯(lián)系。
3.主要應(yīng)用于RBF網(wǎng)絡(luò)。就是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。可以對(duì)周圍環(huán)境進(jìn)行識(shí)別和判斷，處理模糊甚至不規(guī)則的推理，模仿人類識(shí)別細(xì)胞，識(shí)別圖像，識(shí)別聲音。對(duì)難以解析的規(guī)律性,具有良好的泛化能力,并有很快的學(xué)習(xí)收斂速度,已成功應(yīng)用于非線性函數(shù)逼近，以及時(shí)間序列分析。

8、rbf神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)有什么區(qū)別

bp神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率是固定的，因此網(wǎng)絡(luò)的收斂速度慢，需要較長(zhǎng)的訓(xùn)練時(shí)間。對(duì)于一些復(fù)雜問題，BP算法需要的訓(xùn)練時(shí)間可能非常長(zhǎng)，這主要是由于學(xué)習(xí)速率太小造成的。而rbf神經(jīng)網(wǎng)絡(luò)是種高效的前饋式網(wǎng)絡(luò)，它具有其他前向網(wǎng)絡(luò)所不具有的最佳逼近性能和全局最優(yōu)特性，并且結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練速度快。

總結(jié)

以上是生活随笔為你收集整理的rbf神经网络和bp神经网络,rbf神经网络百度百科的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。