要最簡單的說法就是，啟用函式不同。rbf是徑向基函式；而bp一般是sigmoid函式 （或者relu）。
區域性逼近與全域性逼近bp神經網路的隱節點採用輸入模式與權向量的內積作為啟用函式的自變數，而啟用函式採用sigmoid函式。各隱節點對bp網路的輸出具有同等地位的影響，因此bp神經網路是對非線性對映的全域性逼近。rbf神經網路的隱節點採用輸入模式與中心向量的距離（如歐式距離）作為函式的自變數，並使用徑向基函式（如gaussian函式）作為啟用函式。神經元的輸入離徑向基函式中心越遠，神經元的啟用程度就越低。rbf網路的輸出與資料中心離輸入模式較勁的「區域性」隱節點關係較大，rbf神經網路因此具有「區域性對映」特性。
1，從模型結構上來看rbf神經網路從圖形結構上來說，就是一種單隱層的神經網路. 這個隱層的每個神經元輸出的是乙個rbf函式的值，這些rbf函式的核寬都是一樣的，它們中心要麼是每個訓練樣本點，要麼是訓練樣本點的聚類中心，當然還可以有其他。核化的支援向量機就可以看成是一種rbf網路. 事實上2023年vapnik發表在machine learning 期刊上的支援向量機的文章, 名字就叫做「支援向量網路」，因為隱層放置的就是支援向量. 而普通的bp神經網路可以有很多隱層，每個隱層的神經元都放置相同的啟用函式.
2，從訓練演算法上來看不同的網路結構定義了不同的假設(函式)空間. 在指定了損失函式的情況下, 我們的目標就是在這個函式空間中尋找乙個函式使得平均損失最小，或者說尋找一組函式的引數使得平均損失最小，這無疑就是乙個無約束最優化問題. 用梯度下降(在神經網路領域又叫bp)或其他優化演算法都可以求解.
3, rbf神經網路與rkhs(高斯核生成)中表示定理的關聯乙個full rbf network 在形式上與使用表示定理對高斯核函式誘導出的rkhs函式空間的函式進行展開後的形式是一樣的. 這一點非常有趣. 前者產生時間在前, 後者有優美的泛函理論支援.
我看的，覺得寫的挺好的，總結的也很好！儲存方便自己回看！
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,...
神經網路rbf
clc clear close all ld 400 定義學習樣本的數量 x rand 2,ld 得到乙個2 400的乙個矩陣，每個元素在0 1之間 x x 0.5 1.5 2 1.5,1.5 x1 x 1,得到矩陣的第1行 x2 x 2,得到矩陣的第2行 f 20 x1.2 10 cos 2 pi...