豆 勤 勤

(马鞍山学院 人工智能学院,安徽 马鞍山 243100)

0 引 言

RBF神经网络是由Moody J和Darken C在20世纪80年代末提出的，也称为径向基函数(Radial Basis Function,RBF)神经网络，它是一种具有单隐层的三层前馈网络[1]。它的基本思想是在由RBF为隐单元的“基”构成的隐含层空间，不通过权连接，而把输入矢量直接映射到隐空间。只要确定RBF的中心点后，映射关系也随之确定了。其隐含层空间线性映射到输出空间，而隐单元输出的线性加权和就是网络的输出，其中的权就是网络可调参数。这里隐含层的作用就是把向量从低维度的线性不可分的P映射到高维度的线性可分的H，这个就是核函数的思想。RBF神经网络的结构可以模拟人脑里的局部调整，以及相互覆盖接收域，并且经过证明RBF网络可以对任意的连续函数进行任意精度的逼近[2，6]。尽管和BP网络学习过程类似，但是BP网络采用的是输入模式和权向量作内积为激活函数的自变量，其选用的激活函数即隐函数是Sigmoid函数，其中的各个调参数在对BP网络的输出中具有同等地位的影响，因此采用的是全局进行逼近的一种神经网路，在输入空间中它是在无限大的范围内不为零值；然而RBF网络采用高斯基函数作为作用函数，它在输入空间的有限范围内不为零，输入的神经元距离径向基函数即高斯函数的中心越远，其激活程度就越低，输出与部分调参数有关，是一种采用局部逼近型的神经网络模型，它的网络的权值可通过线性方程组直接解出，学习速度很快，也能避免局部极小，可以满足控制的实时性要求[3-4]。……