rbf神经网络rbf神经网络的输入参数个数有上限么

bp和rbf的区别

BP网络用于函数逼近时，权值的调节降法，这种调节权值 的方法有它的局限性，既存在着收敛速度慢和局部极小等缺点。

而径向基神经网络在逼近能力、分类能力和学习速度等方面均优于BO网络。

从理论上讲，RBF网络和BP网络一样可近似任何的连续非线形函数，两者的主要差别在于各使用不同的作用函数，BP网络中的隐层节点使用的是Sigmoid函数，其函数值在输入空间中无限大的范围内为非零值，而RBF网络的作用函数则是局部的。

利用RBF神经网络做预测

在命令栏敲nntool，按提示操作，将样本提交进去。

还有比较简单的是用广义RBF网络，直接用grnn函数就能实现，基本形式是y=grnn(P,T,spread)，你可以用help grnn看具体用法。

GRNN的预测精度是不错的。

广义RBF网络：从输入层到隐藏层相当于是把低维空间的数据映射到高维空间，输入层细胞个数为样本的维度，所以隐藏层细胞个数一定要比输入层细胞个数多。

从隐藏层到输出层是对高维空间的数据进行线性分类的过程，可以采用单层感知器常用的那些学习规则，参见神经网络基础和感知器。

注意广义RBF网络只要求隐藏层神经元个数大于输入层神经元个数，并没有要求等于输入样本个数，实际上它比样本数目要少得多。

因为在标准RBF网络中，当样本数目很大时，就需要很多基函数，权值矩阵就会很大，计算复杂且容易产生病态问题。

另外广RBF网与传统RBF网相比，还有以下不同： 1.径向基函数的中心不再限制在输入数据点上，而由训636f707962616964757a686964616f31333337373730练算法确定。

2.各径向基函数的扩展常数不再统一，而由训练算法确定。

3.输出函数的线性变换中包含阈值参数，用于补偿基函数在样本集上的平均值与目标值之间的差别。

因此广义RBF网络的设计包括： 1.结构设计--隐藏层含有几个节点合适 2.参数设计--各基函数的数据中心及扩展常数、输出节点的权值。

什么是lvq神经网络？？

学习向量量化LVQ(Learning Vector Quantization)神经网络，属于前向神经网络类型，在模式识别和优化领域有着广泛的的应用。

LVQ神经网络由三层组成，即输入层、隐含层和输出层，网络在输入层与隐含层间为完全连接，而在隐含层与输出层间为部分连接，每个输出层神经元与隐含层神经元的不同组相连接。

隐含层和输出层神经元之间的连接权值固定为1。

输入层和隐含层神经元间连接的权值建立参考矢量的分量（对每个隐含神经元指定一个参考矢量）。

在网络训练过程中，这些权值被修改。

隐含层神经元（又称为Kohnen神经元）和输出神经元都具有二进制输出值。

当某个输入模式被送至网络时，参考矢量最接近输入模式的隐含神经元因获得激发而赢得竞争，因而允许它产生一个“1”，而其它隐含层神经元都被迫产生“0”。

与包含获胜神经元的隐含层神经元组相连接的输出神经元也发出“1”，而其它输出神经元均发出“0”。

产生“1”的输出神经元给出输入模式的类，由此可见，每个输出神经元被用于表示不同的类。

rbf神经网络的输入参数个数有上限么

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。