知识卡片
RBF两类网络任务不同
书中将 RBF 正则化网络用于函数重建:通过先验约束限制映射的粗糙程度,使邻近输入的输出倾向接近;将广义网络用于模式分类:用隐层基函数扩展特征空间,再由输出层分类。高维映射只提供线性分隔的可能,分隔效果仍取决于基函数、样本和训练。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 1 9 . 2 . 2 典 型 神 经 网 络 结 构 · 查看原书依据
RN一般用于通用逼近器,其基本思想是通过加入一个含有解的先验知识的约束控制映射函数的光滑性,若输入-输出映射函数是光滑的,则重建问题的解是连续的,意味着相似的输入对应着相似的输出。
参考来源
- 位置:《智能算法导论》第 182 项《19.2.2 典型神经网络结构/径向基函数网络》(源文件:`_epub-src/EPUB/xhtml/chapter19_0005.xhtml`)
- 结论依据:正文分别说明 RN 的平滑性先验和 GN 的隐层空间模式变换;“高维必然线性可分”已收窄为可能性。
- 原始内容:“RN一般用于通用逼近器……通过加入一个含有解的先验知识的约束控制映射函数的光滑性。GN一般用于模式分类……将空间的模式变换到高维空间”。