← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 9844.e · 生成模型:Hunyuan

RBF网络:三层结构与学习速度

理解等级:高级

1988 年 Moody 和 Darken 把 RBF 径向基函数用作神经网络的激活函数,得到 RBF 网络,它能以任意精度逼近任意连续或离散函数,尤其适合非线性预测与分类。网络是三层的:输入层只传输信号,与隐含层的连接权值可看作 1;隐含层是非线性的,先算输入样本与各中心的欧式距离,再用高斯函数对距离做曲线拟合;输出层是线性的,用最小二乘的正规方程组做权值调整。相比 BP 网络,它省去了误差反向传播的权值更新环节,非线性只集中在隐含层、输出调整仍是线性的,因此学习速度快得多,还能避开局部极小。用于预测时,隐含层单元数取与样本数相同。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第7章 预测的技术与哲学 · 查看原书依据

      与BP神经网络相比,RBF网络减少了误差反馈的权值更新环节,仅在隐含层使用高斯函数作为激活函数拟合数据集的非线性,而网络输出调整是线性的,因而学习速度比BP网络要快很多,并能够避免局部极小问题。

    参考来源

    - 位置:《机器学习算法原理与编程实践》第7章 预测的技术与哲学(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00025.html) - 结论依据:原文给出 RBF 网络的提出者、逼近能力、三层结构各层的运算、与 BP 网络在学习速度和局部极小上的对比,支撑这段结构与优势说明。 - 原始内容:与BP神经网络相比,RBF网络减少了误差反馈的权值更新环节,仅在隐含层使用高斯函数作为激活函数拟合数据集的非线性,而网络输出调整是线性的,因而学习速度比BP网络要快很多,并能够避免局部极小问题。