都是前饋型神經網路；
只要包含足夠多隱層神經元，就能以任意精度逼近任意複雜度的連續函式。
bp是通過不斷的調整神經元的權值來逼近最小誤差的，其方法一般是梯度下降。而rbf是通過對輸入與函式中心點的距離來算權重的，所以第一步就要確定神經元的中心（常用方法有隨機取樣、聚類等）；
bp的啟用函式是sigmoid函式，rbf的啟用函式是徑向基函式（如高斯函式）；
bp具有收斂速度慢，容易陷入區域性最優的缺點，rbf具有收斂速度快，全域性逼近的特點；
bp中間層可以有很多層，而rbf中間層只有一層；
通過以上比較很明顯看出rbf要優於bp，但是bp是一種基礎的神經網路，其實現簡單仍然使用廣泛，在訓練rbf時可以利用bp來確定引數。
RBF神經網路與BP網路優缺點比較
rbf神經網路與bp神經網路優缺點比較 1.rbf 的泛化能力在多個方面都優於bp 網路,但是在解決具有相同精度要求的問題時,bp 網路的結構要比rbf 網路簡單。2.rbf 網路的逼近精度要明顯高於bp 網路,它幾乎能實現完全逼近,而且設計起來極其方便,網路可以自動增加神經元直到滿足精度要求為止。...
rbf神經網路 RBF神經網路以及Python實現
rbf網路能夠逼近任意非線性的函式。可以處理系統內難以解析的規律性，具有很好的泛化能力，並且具有較快的學 習速度。當網路的乙個或多個可調引數 權值或閾值 對任何乙個輸出都有影響時，這樣的網路稱為全域性逼近網路。由於對於每次輸入，網路上的每乙個權值都要調整，從而導致全域性逼近網路的學習速度很慢，比如b...
RBF神經網路
核函式一般有如下函式 高斯函式 u e u2 2 反射sigmoid函式 u 1 1 eu 2 2 逆多二次函式 u 1 u2 2 1 2 其中，0 為基函式的拓展常數或寬度。rbf 徑向基函式神經網路 網路結構圖如下 對於輸入x x1,x2,xn t c1 c2,cm 為樣本中心，w w1,w2,...