徑向基神經網路是如何訓練的

『壹』 什麼是徑向基函數 神經網路 mlp

RBF網路能夠逼近任意的非線性函數，可以處理系統內的難以解析的規律性，具有良好的泛化能力，並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。

簡單說明一下為什麼RBF網路學習收斂得比較快。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。BP網路就是一個典型的例子。

如果對於輸入空間的某個局部區域只有少數幾個連接權值影響輸出，則該網路稱為局部逼近網路。常見的局部逼近網路有RBF網路、小腦模型（CMAC）網路、B樣條網路等。

『貳』 神經網路，訓練樣本500條，為什麼比訓練樣本6000條，訓練完，500條預測比6000條樣本好！

並非訓練樣本越多越好，因課題而異。 1、樣本最關鍵在於正確性和准確性。你所選擇的樣本首先要能正確反映該系統過程的內在規律。我們從生產現場採得的樣本數據中有不少可能是壞樣本，這樣的樣本會干擾你的神經網路訓練。通常我們認為壞樣本只是個別現象，所以我們希望通過盡可能大的樣本規模來抵抗壞樣本造成的負面影響。 2、其次是樣本數據分布的均衡性。你所選擇的樣本最好能涉及到該系統過程可能發生的各種情況，這樣可以極大可能的照顧到系統在各個情況下的規律特徵。通常我們對系統的內在規律不是很了解，所以我們希望通過盡可能大的樣本規模來「地毯式」覆蓋對象系統的方方面面。 3、再次就是樣本數據的規模，也就是你要問的問題。在確保樣本數據質量和分布均衡的情況下，樣本數據的規模決定你神經網路訓練結果的精度。樣本數據量越大，精度越高。由於樣本規模直接影響計算機的運算時間，所以在精度符合要求的情況下，我們不需要過多的樣本數據，否則我們要等待很久的訓練時間。 補充說明一下，不論是徑向基（rbf）神經網路還是經典的bp神經網路，都只是具體的訓練方法，對於足夠多次的迭代，訓練結果的准確度是趨於一致的，方法隻影響計算的收斂速度（運算時間），和樣本規模沒有直接關系。

如何確定何時訓練集的大小是「足夠大」的？
神經網路的泛化能力主要取決於3個因素：
1.訓練集的大小
2.網路的架構
3.問題的復雜程度
一旦網路的架構確定了以後，泛化能力取決於是否有充足的訓練集。合適的訓練樣本數量可以使用Widrow的拇指規則來估計。 拇指規則指出，為了得到一個較好的泛化能力，我們需要滿足以下條件（Widrow and Stearns，1985；Haykin，2008）： N = nw / e 其中，N為訓練樣本數量，nw是網路中突觸權重的數量，e是測試允許的網路誤差。 因此，假如我們允許10%的誤差，我們需要的訓練樣本的數量大約是網路中權重數量的10倍。

『叄』 徑向基神經網路模型用什麼軟體來實現

徑向基函數（RBF）神經網路 RBF網路能夠逼近任意的非線性函數，可以處理系統內的難以解析的規律性，具有良好的泛化能力，並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。 簡單說明一下為什麼RBF網路學習收斂得比較快。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。BP網路就是一個典型的例子。 如果對於輸入空間的某個局部區域只有少數幾個連接權值影響輸出，則該網路稱為局部逼近網路。常見的局部逼近網路有RBF網路、小腦模型（CMAC）網路、B樣條網路等。

『肆』 關於RBF徑向基神經網路訓練mse

<神經網路之家>nneinfo上有講解newrb源碼和實現方式的文章,你可以上去看看.
沒有代碼,就真的不知道原因了,按道理來說,網路誤差會比mse更小的,因為newrb用的是sumsqr來計算誤差,並判斷這個誤差是否小於設定值,小於設定值才會退出訓練
若果你的訓練正常,而且你的誤差計算正確的話,得到的誤差應該會比0.0002更小,因為sumsqr的計算方法是:sumsqr([1 2 3])=sum([1 4 9])=14,而mse([1 2 3])=sum([1 4 9])/3=14/3=4.6667.
猜測是你的計算哪裡有點問題?

摘錄newrb的判斷條件:
sse = sumsqr(t-a2); %
if (sse < goal), break, end
%若誤差滿足要求,則退出循環

手工打了挺久,若果採用請點個贊,謝謝.

『伍』 徑向基函數神經網路自適應律是什麼

是一種定律。
徑向基函數神經網路是一種三層前饋式神經網路，其中輸入層和輸出層由線性神經元組成。
隱層節點一般取高斯核函數，該核函數能對輸入矢量產生局部響應，翰出節點對隱層節點的輸出進行線性加權，從而實現輸入空間到輸出空間的映射，使整個網路達到分類和函數逼近的目的。

『陸』 徑向基神經網路的輸出個數有沒有限制

沒有規定說只能有一個輸出，輸出向量維數也是根據你的輸出樣本確定的。在RBF網路之前訓練，需要給出輸入向量X和目標向量T，訓練的目的是要求得第一層和第二層之間的權值W1、閥值B1，和第二層與第三層之間的權值W2、閥值B2。整個網路的訓練分為兩步，第一部是無監督的學習，求W1、B1。第二步是有監督的學習求W2、B2。
newrbe（）函數：和newrb（）功能差不多，用於創建一個精確地神經網路，能夠基於設計向量快速的無誤差的設計一個徑向基網路。該函數在創建RBF網路的時候，自動選擇隱含層數目，隱藏層的數目等於樣本輸入向量的數目，使得誤差為0。在樣本輸入向量非常多的情況下，用rbe就不大合適。

『柒』 徑向基神經網路會過擬合嘛

可以通過把誤差定的小一點或是增加訓練次數，就能讓擬合曲線更准確的擬合數據的各點。如果要解決神經網路容易陷入局部極小值的問題可以用遺傳演算法對神經網路進行優化，如果是數據比較少，可以用徑向基神經網路。其實有時不必刻意追求低誤差的擬合曲線的，這樣容易過擬合。