用于函数逼近的神经网络

绘 制 一 个 R B F 网 络 的 结 构 图
用来进行函数的 逼近,也叫做近似
它使用的原理是
不管多么复杂的东西 都可以分解成一系列 简单的东西
函数逼近的基本思想
是 单个复杂函数 可以使用 多个 简单函数来表示
未知函数的 近似表示
是什么样子呢？
随便找几个样本 以点概面
使用不同的
基函数
中心 ，就可以 不是得一组？
用于分类问题的 神经网络存在问题
激活函数
都是S型函数 导致 输出层的标量 适合 用于逻辑回归
都在0-1之间
表示概率
这就是个 大问题
如果目的是 对一个普通的函数 进行回归
这个光属于 能量场 它有什么特点？
场强 也就是热度 只取决于到太阳的距离
特点1
特点2
这样的话，我们得使用
径向基函数网络 简称：RBF网络
什么是
在如
RBF 何
网 络 中
表基 示函
数
每个基函数
太阳发出的光就是放射状的
一定有一个
等值面
中心
是以中心为球心的
球面
其次，Radial
表示放射状
如此说来
这个咋个和核函数的定义
RBF
英文全称是 Radial basis function
是什么意思？
差不多呢？
首先 它是
最后
源自文库
这就 径向基函数
其实，很多核函数都属于
基函数
对了 不是一个具体的函数 也不是具体的一系列基函数
径向基函数
目标函数表示成 基函数的线性组合
有什么用呢？
它是专门用来表示 其它函数的 一组 函数
跟机器学习有什么关系？
所有的回归问题 都是对未知函数的 逼近问题
求的就是
而是满足条件的一类函数？ 一个具体的径向基函数
这就是 距离
比如高斯径向基函数
对应 一个神经元
确定一个基函数
要确定一组
基函数
先聚类 选出代表
样本少 样本多
做回归的时候 如何确定中心呢？
这表示的是中心
使用一组中心 就可以啦
基函数
基函数
其它 隐含层
这个就不是 基函数了
很简单的加权求和
需要学习的 只有权值
RBF网络 中 需要学习的都有
哪些参数？
1是权值
2是基函数的带宽 上面的
输入
基函数
隐含层里面的神经元 一一对应于基函数