径向基神经网络是如何训练的

‘壹’ 什么是径向基函数 神经网络 mlp

RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。

简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调参数（权值或阈值）对任何一个输出都有影响时，这样的网络称为全局逼近网络。由于对于每次输入，网络上的每一个权值都要调整，从而导致全局逼近网络的学习速度很慢。BP网络就是一个典型的例子。

如果对于输入空间的某个局部区域只有少数几个连接权值影响输出，则该网络称为局部逼近网络。常见的局部逼近网络有RBF网络、小脑模型（CMAC）网络、B样条网络等。

‘贰’ 神经网络，训练样本500条，为什么比训练样本6000条，训练完，500条预测比6000条样本好！

并非训练样本越多越好，因课题而异。 1、样本最关键在于正确性和准确性。你所选择的样本首先要能正确反映该系统过程的内在规律。我们从生产现场采得的样本数据中有不少可能是坏样本，这样的样本会干扰你的神经网络训练。通常我们认为坏样本只是个别现象，所以我们希望通过尽可能大的样本规模来抵抗坏样本造成的负面影响。 2、其次是样本数据分布的均衡性。你所选择的样本最好能涉及到该系统过程可能发生的各种情况，这样可以极大可能的照顾到系统在各个情况下的规律特征。通常我们对系统的内在规律不是很了解，所以我们希望通过尽可能大的样本规模来“地毯式”覆盖对象系统的方方面面。 3、再次就是样本数据的规模，也就是你要问的问题。在确保样本数据质量和分布均衡的情况下，样本数据的规模决定你神经网络训练结果的精度。样本数据量越大，精度越高。由于样本规模直接影响计算机的运算时间，所以在精度符合要求的情况下，我们不需要过多的样本数据，否则我们要等待很久的训练时间。 补充说明一下，不论是径向基（rbf）神经网络还是经典的bp神经网络，都只是具体的训练方法，对于足够多次的迭代，训练结果的准确度是趋于一致的，方法只影响计算的收敛速度（运算时间），和样本规模没有直接关系。

如何确定何时训练集的大小是“足够大”的？
神经网络的泛化能力主要取决于3个因素：
1.训练集的大小
2.网络的架构
3.问题的复杂程度
一旦网络的架构确定了以后，泛化能力取决于是否有充足的训练集。合适的训练样本数量可以使用Widrow的拇指规则来估计。 拇指规则指出，为了得到一个较好的泛化能力，我们需要满足以下条件（Widrow and Stearns，1985；Haykin，2008）： N = nw / e 其中，N为训练样本数量，nw是网络中突触权重的数量，e是测试允许的网络误差。 因此，假如我们允许10%的误差，我们需要的训练样本的数量大约是网络中权重数量的10倍。

‘叁’ 径向基神经网络模型用什么软件来实现

径向基函数（RBF）神经网络 RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。 简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调参数（权值或阈值）对任何一个输出都有影响时，这样的网络称为全局逼近网络。由于对于每次输入，网络上的每一个权值都要调整，从而导致全局逼近网络的学习速度很慢。BP网络就是一个典型的例子。 如果对于输入空间的某个局部区域只有少数几个连接权值影响输出，则该网络称为局部逼近网络。常见的局部逼近网络有RBF网络、小脑模型（CMAC）网络、B样条网络等。

‘肆’ 关于RBF径向基神经网络训练mse

<神经网络之家>nneinfo上有讲解newrb源码和实现方式的文章,你可以上去看看.
没有代码,就真的不知道原因了,按道理来说,网络误差会比mse更小的,因为newrb用的是sumsqr来计算误差,并判断这个误差是否小于设定值,小于设定值才会退出训练
若果你的训练正常,而且你的误差计算正确的话,得到的误差应该会比0.0002更小,因为sumsqr的计算方法是:sumsqr([1 2 3])=sum([1 4 9])=14,而mse([1 2 3])=sum([1 4 9])/3=14/3=4.6667.
猜测是你的计算哪里有点问题?

摘录newrb的判断条件:
sse = sumsqr(t-a2); %
if (sse < goal), break, end
%若误差满足要求,则退出循环

手工打了挺久,若果采用请点个赞,谢谢.

‘伍’ 径向基函数神经网络自适应律是什么

是一种定律。
径向基函数神经网络是一种三层前馈式神经网络，其中输入层和输出层由线性神经元组成。
隐层节点一般取高斯核函数，该核函数能对输入矢量产生局部响应，翰出节点对隐层节点的输出进行线性加权，从而实现输入空间到输出空间的映射，使整个网络达到分类和函数逼近的目的。

‘陆’ 径向基神经网络的输出个数有没有限制

没有规定说只能有一个输出，输出向量维数也是根据你的输出样本确定的。在RBF网络之前训练，需要给出输入向量X和目标向量T，训练的目的是要求得第一层和第二层之间的权值W1、阀值B1，和第二层与第三层之间的权值W2、阀值B2。整个网络的训练分为两步，第一部是无监督的学习，求W1、B1。第二步是有监督的学习求W2、B2。
newrbe（）函数：和newrb（）功能差不多，用于创建一个精确地神经网络，能够基于设计向量快速的无误差的设计一个径向基网络。该函数在创建RBF网络的时候，自动选择隐含层数目，隐藏层的数目等于样本输入向量的数目，使得误差为0。在样本输入向量非常多的情况下，用rbe就不大合适。

‘柒’ 径向基神经网络会过拟合嘛

可以通过把误差定的小一点或是增加训练次数，就能让拟合曲线更准确的拟合数据的各点。如果要解决神经网络容易陷入局部极小值的问题可以用遗传算法对神经网络进行优化，如果是数据比较少，可以用径向基神经网络。其实有时不必刻意追求低误差的拟合曲线的，这样容易过拟合。