rbf神经网络RBF神经网络和BP神经网络有什么区别

rbf网络是不是隐层节点越多越好

任何神经网络的隐藏节点都不是越多越好。

首先来讲吗，增加神经网络的隐藏节点会增大运算量，神经网络训练和测试需要的的时间就越长，降低了什么网络的学习速率，也降低了该神经网络的在应用中的实时性。

另一个方面，过多的隐藏节点可能会产生过拟合的结果。

什么是rbf神经网络

rbf神经网络即径向基函数神经网络（Radical Basis Function）。

径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。

同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。

rbf神经网络用哪种学习算法好

RBF 网络的设计包括结构设计和参数设计。

结构设计主要解决如何确定网络隐节点数的问题。

参数设计一般需考虑包括3种参数：各基函数的数据中心和扩展常数，以及输出节点的权值 。

当采用Full RBF 网络结构时 ，隐节点数即样本数，基函数的数据中心即为样本本身，参数设计只需考虑扩展常数和输出节点的权值 。

当采用广义RBF网络结构时 ，RBF网络的学习算法应该解决的问题包括 ：如何确定网络隐节点数 ，如何确定各径向基函数的数据中心及扩展常数 ， 以及如何修正输出权值 。

根据数据中心的取值方法 ， RBF 网的设计方法可分为两类 。

第一类方法 ： 数据中心从样本输入中选取 。

一般来说 ， 样本密集的地方中心点可以适当多些 ， 样本稀疏的地方中心点可以少些 ； 若数据本身是均匀分布的 ，中心点也可以均匀分布 。

总之 ， 选出的数据中心应具有代表性 。

径向基函数的扩展常数是根据数据中心的 散布而确定的 ， 为了避免每个径向基函数太尖或太平 ， 一种选择方法是将所有径向基函数的扩展常数设为：max(d)/sqrt(2M),M为数据中心点数，max(d)为所选数据中心之间的最大距离 。

第二类方法 ： 数据中心的自组织选择。

常采用各种动态聚类算法对数据中心进行自组织选择，在学习过程中需对数据中心的位置进行动态调节 。

常用的方法是 K-means 聚类，其优点是能根据各聚类中心之间的距离确定各隐节点的扩展常数。

由于 RBF 网的隐节点数对其泛化能力有极大的影响，所以寻找能确定聚类数目的合理方法，是聚类方法设计RBF网时需首先解决的问题。

除聚类算法外还有梯度训练方法资源分配网络RAN等。

RBF神经网络，数据量纲一样，还用归一化么？

首先，归一化不能提高精度，他只是减少了较大值对输出的影响。

做归一主要目的是能找一个同一的标准，虽然在结果上（指数字上）有了提高，但是实际结果没有大的变化。

精度提高，那得用好的算法。

RBF神经网络和BP神经网络有什么区别

1.RBF 的泛化能力在多个方面都优于BP 网络, 但是在解决具有相同精度要求的问题时, BP网络的结构要比RBF 网络简单。

2. RBF 网络的逼近精度要明显高于BP 网络,它几乎能实现完全逼近, 而且设计起来极其方便, 网络可以自动增加神经元直到满足精度要求为止。

但是在训练样本增多时, RBF 网络的隐层神经元数远远高于前者, 使得RBF 网络的复杂度大增加, 结构过于庞大, 从而运算量也有所增加。

3. RBF神经网络是一种性能优良的前馈型神经网络，RBF网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力，从根本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。

4. 他们的结构是完全不一样的。

BP是通过不断的调整神经元的权值来逼近最小误差的。

其方法一般是梯度下降。

RBF是一种前馈型的神经网络，也就是说他不是通过不停的调整权值来逼近最小误差的，的激励函数是一般是高斯函数和BP的S型函数不一样，高斯函数是通过对输入与函数中心点的距离来算权重的。

5. bp神经网络学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。

对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的。

而rbf神经网络是种高效的前馈式网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。