Radial basis function（徑向基函數）
徑向基函數是一個取值僅僅依賴於離原點距離的實值函數，也就是Φ（x）=Φ(‖x‖),或者還可以是到任意一點c的距離，c點成為中心點，也就是Φ（x，c）=Φ(‖x-c‖)。任意一個滿足Φ（x）=Φ(‖x‖)特性的函數Φ都叫做徑向量函數，標准的一般使用歐氏距離，盡管其他距離函數也是可以的。
一些徑向函數代表性的用到近似給定的函數，這種近似可以被解釋成一個簡單的神經網絡，徑向基函數在支持向量機中也被用做核函數。
RBF網絡能夠逼近任意的非線性函數，可以處理系統內的難以解析的規律性，具有良好的泛化能力，並有很快的學習收斂速度，已成功應用於非線性函數逼近、時間序列分析、數據分類、模式識別、信息處理、圖像處理、系統建模、控制和故障診斷等。
RBF (Radial Basis Function)可以看作是一個高維空間中的曲面擬合(逼近)問題，學習是為了在多維空間中尋找一個能夠最佳匹配訓練數據的曲面，然后來一批新的數據，用剛才訓練的那個曲面來處理(比如分類、回歸)。RBF的本質思想是反向傳播學習算法應用遞歸技術，這種技術在統計學中被稱為隨機逼近。RBF里的basis function(徑向基函數里的基函數)就是在神經網絡的隱單元里提供了提供了一個函數集，該函數集在輸入模式（向量）擴展至隱空間時，為其構建了一個任意的“基”。這個函數集中的函數就被稱為徑向基函數。 很明顯，RBF屬於神經網絡領域的東西，所以像很多神經網絡一樣，其結構由：輸入層、隱層、輸出層 三層組成。
輸入層： 與外界環境連結起來。 隱層： 從輸入空間到隱空間之間進行非線性變換； 輸出層： 是線性的，為輸入層的輸入模式提供響應。
非線性變換的基本理論(Cover, 1965): 1.一個模式分類問題如果映射到一個高維空間將會比映射到一個低維空間更可能實現線性可分;
2. 隱空間的維數越高，逼近就越精確。
目前常用的三大徑向基函數：
源自：