刘 晓

（暨南大学 信息科学与技术学院，广东 广州510000）

神经网络对非线性函数关系具有良好的逼近能力，所以本文提出了一种基于RBF函数神经网络的网络流量模型。RBF神经网络为局部神经网络模型，计算速度快、实时性好，相对于传统的线性流量模型具有更高的逼近能力和良好的自适应性，并可克服基于BP神经网络的流量模型训练时间长及计算复杂度高的不足。

1 RBF神经网络结构及学习算法

1.1 RBF神经网络结构

RBF神经网络是20世纪80年代由MOODY J和DARKEN C提出的一种神经网络模型，是具有单隐层的前馈网络，属于局部逼近网络，已证明能以任意精度逼近任一连续函数。RBF神经网络的结构如图1所示。

网络由输入层、径向基函数隐含层、输出层三层构成。低维空间非线性可分的问题总可以映射到一个高维空间，使其在此高维空间中为线性可分[1]。RBF的输出单元部分构成一个单层感知机，只要合理选择隐单元数（高维空间的维数）和作用函数，就可以把原来的问题映射为一个线性可分问题[2]。RBF网络中输入到隐含层的映射是非线性的，而隐含层到输出的映射是线性的。隐含层的节点数与实际问题的要求有直接的关联，过多的节点数会导致学习时间过长和低容错率，所以必须优化隐含层的节点数。隐含层的节点数可以采用式(1)计算：

其中n是输入层的节点数，m是输出层的节点数，a是1～10 的常数[3]。

隐含层基函数采用高斯函数：

隐节点的输出加权后进入输出层，输出层是其……