rbf神经网络MATLAB工具箱里的RBF神经网络newrb是什么算法

RBF神经网络 为什么说高斯函数有很好的局部逼近能力?

RBF神经网络使用局部指数衰减的非线性函数（高斯函数就是一种典型的函数）对非线性输入输出映射进行局部逼近。

多层感知器（如BP网络）的隐节点采用输入模式与权向量的内积作为激活函数的自变量，而激活函数则采用Sigmoid函数或硬限幅函数，因此多层感知器是对非线性映射的全局逼近。

RBF网最显著的特点是隐节点错用输入模式与中心向量的距离（如欧氏距离）作为函数的自变量，并使用径向基函数（如Gaussian函数）作为激活函数。

径向基函数关于N维空间的一个中心点具有径向对称性，而且神经元的输入离该中心点越远，神经元的激活程度就越低。

隐节点的这个特性常被称为“局部特性”。

rbf神经网络的训练样本要多大

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，例如由于测量仪器故障导致测量数据误差较大等，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。

例如某化工生产中某反应炉的温度主要分布在350度—400度，且出现在380度的情况较多，那么你的样本数据最好也是在350-400度各种情况都有，并且也是在380度左右的样本较多些，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。

还用刚才的例子，假如反应炉的温度主要均匀分布在375-385度之间，那么你用100个均衡分布在375-385度的训练样本去训练，经过无限次或者说是足够多次迭代之后，理论上你的神经网络的精度就是0.1度。

如果你觉得0.1度足够细腻了，那么样本规模为100也就可以接受了。

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。

MATLAB工具箱里的RBF神经网络newrb是什么算法

newrb设计了径向基网络，调用格式： net = newrb ,tr] = newrb(P,T,goal,spread,MN,DF) P-Q组输入向量组成的R×Q维矩阵； T-Q组目标分类向量组成的S×Q维矩阵； goal-均方误差,默认值为0； spread-径向基函数的扩展速度,默认值为1； MN-神经元的最大数目,默认是Q DF-两次显示之间所添加的神经元数目,默认值为25； net-返回值，一个径向基网络； tr-返回值，训练纪录。

　　该函数设计的径向基网可用于函数逼近。

径向基函数的扩展速度spread越大，函数的拟合就越平滑。

但是，过大的spread意味着需要非常多的神经元以适应函数的快速变化。

如果spread设定过小，则意味着需要许多神经元来适应函数的缓慢变化，这样一来，设计的网络性能就不会很好。