徑向基神經網絡-matlab

　　結構簡單、收斂速度款、能夠逼近任意非線性函數的網絡-徑向基函數（Radial Basis Function，RBF）網絡。

　　1988年Broomhead和Love根據生物神經元具有局部響應的原理，將徑向基函數引入神經網絡中。

　　徑向基函數三層構成的前向網絡：輸入層，隱含層，輸出層。

　　本章還會介紹概率神經網絡和廣義回歸網絡，分別在模式分類和函數逼近上有着更為優越的表現。

　　

　　徑向基神經網絡分為正則化網絡和廣義網絡。在工程實踐中廣泛應用的是廣義網絡，可由正則化網絡稍加變化得到。

　　徑向基函數在神經網絡、SVM（支持向量機）、散亂數據擬合等領域有十分重要的應用，高斯函數就是徑向基函數的一種。

　　　　范數　　如p-范數

　　　　　　　　　　　　　　　　

　　　　當X=[x₁，x₂]，Y=[y₁，y₂]，向量X，Y代表空間中的一個點，若p=2，||X-Y||=√(x₁-y₁)²+(x_2-y₂)²,等於這兩個點之間的距離。

　　　　一般的，歐幾里得范數指的就是2-范數。

　　在我的理解中，徑向基神經網絡計算輸入節點和每個中心節點的距離，（中心節點指是隱含層取的中心節點）。計算每個點的類似於高斯函數對其的影響，由於高斯圖像性質，自然離得近的點影響越大，所以權值越高，經過徑向基函數處理后疊加，就得到了輸出值。