rbf神經網路隱層怎麼設置

① rbf神經網路原理

rbf神經網路原理是用RBF作為隱單元的「基」構成隱含層空間，這樣就可以將輸入矢量直接映射到隱空間，而不需要通過權連接。

當RBF的中心點確定以後，這種映射關系也就確定了。而隱含層空間到輸出空間的映射是線性的，即網路的輸出是隱單元輸出的線性加權和，此處的權即為網路可調參數。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，主要就是核函數的思想。

這樣，網路由輸入到輸出的映射是非線性的，而網路輸出對可調參數而言卻又是線性的。網路的權就可由線性方程組直接解出，從而大大加快學習速度並避免局部極小問題。

(1)rbf神經網路隱層怎麼設置擴展閱讀

BP神經網路的隱節點採用輸入模式與權向量的內積作為激活函數的自變數，而激活函數採用Sigmoid函數。各調參數對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映射的全局逼近。

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）作為函數的自變數，並使用徑向基函數（如Gaussian函數）作為激活函數。神經元的輸入離徑向基函數中心越遠，神經元的激活程度就越低（高斯函數）。

RBF網路的輸出與部分調參數有關，譬如，一個wij值隻影響一個yi的輸出（參考上面第二章網路輸出），RBF神經網路因此具有「局部映射」特性。

② 如何合理確定神經網路數據挖掘中隱含層\隱含節點數

神經網路的輸入量包含因變數集和目標集（因變數集），設置不同的隱層節點數會有不同的擬合誤差，比較擬合誤差去較小的那個對應的節點數，，，，別忘記神經網路本質上是一種映射關系，，，

③ 只有溫度數據怎麼建立rbf神經網路模型

該網路的輸出是什麼？RBF神經網路的建立和訓練主要有以下幾種形式：

1.net=newrbe(P,T,spread)
newrbe()函數可以快速設計一個徑向基函數網路，且是的設計誤差為0。第一層(徑向基層)神經元數目等於輸入向量的個數，加權輸入函數為dist，網路輸入函數為netprod；第二層(線性層)神經元數模有輸出向量T確定，加權輸入函數為dotprod，網路輸入函數為netsum。兩層都有閥值。
第一層的權值初值為p'，閥值初值為0.8326/spread，目的是使加權輸入為±spread時徑向基層輸出為0.5，閥值的設置決定了每一個徑向基神經元對輸入向量產生響應的區域。

2.[net,tr] =newrb(P,T,goal,spread,MN,DF)

該函數和newrbe一樣，只是可以自動增加網路的隱層神經元數模直到均方差滿足精度或者神經元數模達到最大為止。

P=-1:0.1:1;
T=sin(P);
spread=1;
mse=0.02;
net=newrb(P,T,mse,spread);
t=sim(net,P);
plot(P,T,'r*',P,t)

3.還可以直接建立廣義RBF神經網路：net = newgrnn(P,T,spread)泛回歸網路(generalized regression neural network)廣義回歸網路主要用於函數逼近。它的結構完全與newbre的相同，但是有以下幾點區別(沒有說明的表示相同)：

(1)第二網路的權值初值為T
(2)第二層沒有閥值
(3)第二層的權值輸入函數為normpod，網路輸入函數為netsum

P=0:1:20;
T=exp(P).*sin(P);
net=newgrnn(P,T,0.7);
p=0:0.1:20;
t=sim(net,p);
plot(P,T,'*r',p,t)

④ rbf神經網路的隱含層節點數是怎麼樣確定的

我自己總結的：
1、神經網路演算法隱含層的選取
1.1 構造法
首先運用三種確定隱含層層數的方法得到三個隱含層層數，找到最小值和最大值，然後從最小值開始逐個驗證模型預測誤差，直到達到最大值。最後選取模型誤差最小的那個隱含層層數。該方法適用於雙隱含層網路。
1.2 刪除法
單隱含層網路非線性映射能力較弱，相同問題，為達到預定映射關系，隱層節點要多一些，以增加網路的可調參數，故適合運用刪除法。
1.3黃金分割法
演算法的主要思想：首先在[a,b]內尋找理想的隱含層節點數，這樣就充分保證了網路的逼近能力和泛化能力。為滿足高精度逼近的要求，再按照黃金分割原理拓展搜索區間，即得到區間[b,c]（其中b=0.619*（c-a）+a），在區間[b,c]中搜索最優，則得到逼近能力更強的隱含層節點數，在實際應用根據要求，從中選取其一即可。

⑤ 請教關於MATLAB中RBF神經網路隱含層神經元個數的問題

再關注ing 非常謝謝樓主，頂一下 查看原帖>>

⑥ RBF神經網路如何實現函數逼近 觀測器是什麼基於觀測器如何設計控制器

摘要 RBF網路的訓練過程實際上就是對兩組網路參

⑦ rbf神經網路演算法是什麼

RBF神經網路演算法是由三層結構組成，輸入層至隱層為非線性的空間變換，一般選用徑向基函數的高斯函數進行運算；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神經網路進行數據運算時需要確認聚類中心點的位置及隱層至輸出層的權重。通常，選用K-means聚類演算法或最小正交二乘法對數據大量的進行訓練得出聚類中心矩陣和權重矩陣。

一般情況下，最小正交二乘法聚類中心點的位置是給定的，因此比較適合分布相對規律的數據。而K-means聚類演算法則會自主選取聚類中心，進行無監督分類學習，從而完成空間映射關系。

RBF網路特點

RBF網路能夠逼近任意非線性的函數(因為使用的是一個局部的激活函數。在中心點附近有最大的反應；越接近中心點則反應最大，遠離反應成指數遞減；就相當於每個神經元都對應不同的感知域)。

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。

有很快的學習收斂速度，已成功應用於非線性函數逼近、時間序列分析、數據分類、模式識別、信息處理、圖像處理、系統建模、控制和故障診斷等。

當網路的一個或多個可調參數（權值或閾值）對任何一個輸出都有影響時，這樣的網路稱為全局逼近網路。由於對於每次輸入，網路上的每一個權值都要調整，從而導致全局逼近網路的學習速度很慢，比如BP網路。

⑧ 神經網路隱層數和神經元個數如何確定

你使用的什麼神經網路？如果是RBF神經網路，那麼只有3層，輸入層，隱含層和輸出層。確定神經元個數的方法有K-means,ROLS等演算法。

⑨ matlab 在徑向基(rbf)神經網路中,為什麼把隱含層輸出當做輸入p來使用還是我理解錯了求真相。。。

RBF網路本來就是這樣的。
原始輸入通過徑向基函數轉化後變得線性可分，隱含層的輸出就是經轉化後的數據，即「輸入」。

另外你試試看這樣：net=newrb(x',tt,err_goal,sc,200,1);
看看結果有啥不同。。

⑩ matlab建立bp神經網路如何設置兩個隱含層呢

題主那個newff裡面的10看到沒？那個就是設置1個隱含層的神經元個數，要多個隱含層就把10改成[4,10,1]就是第一個隱含層有4個神經元，第二個隱含層10個神經元，最後一層輸出層1個神經元。然後你的{TF1 TF2}不用改。這樣應該能用了。

然後給你一個newff的各項參數使用的介紹：