本文目录一览

1，BP网络和径向基神经网络结构有什么区别啊

BP网络用于函数逼近时，权值的调节采用的是负梯度下降法，这种调节权值 的方法有它的局限性，既存在着收敛速度慢和局部极小等缺点。而径向基神经网络在逼近能力、分类能力和学习速度等方面均优于BO网络。从理论上讲，RBF网络和BP网络一样可近似任何的连续非线形函数，两者的主要差别在于各使用不同的作用函数，BP网络中的隐层节点使用的是Sigmoid函数，其函数值在输入空间中无限大的范围内为非零值，而RBF网络的作用函数则是局部的。

BP网络和径向基神经网络结构有什么区别啊

2，newrb 建立的神经网络netIW netLW netb 到底是什么含义求大神

你可以上《神经网络之家》 nnetinfo找一张百 《一篇文章读懂径向基神经网络原理》的文章，上面有介绍径向基。简要来说，IW就是 input weight,输入层到隐层的权重。（注度意，这里的权重与输入的计算方式是用dist函数，而不是点乘）LW,就是layer weight,LWnet.b就是阈值， 径向基神经网络的权重不再用点乘，隐层的阈值也不是用加法，所以它们已经不具内用“权重、阈值”的物理意义。 只是网络的参数，用于计算， 更详细的，容在这小小篇幅就说不完了。希望点个赞

newrb 建立的神经网络netIW netLW netb 到底是什么含义求大神

3，Rbf神经网络原理

rbf神经网络即径向基函数神经网络（Radical Basis Function）。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。
nnetinfo: 首先要明确网络的输入, 你在训练的时候,使用1-50作为输入,sample里的数据做输出.在用它来做预测时,却用sample里的数据做输入,这样就乱套了. 若果只有一列数据,而这列数据又不是时间序列,那就没办法用前面的数据去预测后面的数据.因为它们之间没有关联.

Rbf神经网络原理

4，径向基神经网络会过拟合嘛

可以通过把误差定的小一点或是增加训练次数，就能让拟合曲线更准确的拟合数据的各点。如果要解决神经网络容易陷入局部极小值的问题可以用遗传算法对神经网络进行优化，如果是数据比较少，可以用径向基神经网络。其实有时不必刻意追求低误差的拟合曲线的，这样容易过拟合。
bp网络用于函数逼近时，权值的调节采用的是负梯度下降法，这种调节权值 的方法有它的局限性，既存在着收敛速度慢和局部极小等缺点。而径向基神经网络在逼近能力、分类能力和学习速度等方面均优于bo网络。 从理论上讲，rbf网络和bp网络一样可近似任何的连续非线形函数，两者的主要差别在于各使用不同的作用函数，bp网络中的隐层节点使用的是sigmoid函数，其函数值在输入空间中无限大的范围内为非零值，而rbf网络的作用函数则是局部的。

5，径向基神经网络中spread的取值范围和DF的取值范围是多少啊经验

SPREAD为径向基函数的扩展系数，默认值为1.0。合理选择SPREAD是非常重要的，其值应该足够大，使径向基神经元能够对输入向量所覆盖的区间都产生响应，但也不要求大到所有的径向基神经元都如此，只要部分径向基神经元能够对输入向量所覆盖的区间产生响应就足够了。SPREAD的值越大，其输出结果越光滑，但太大的SPREAD值会导致数值计算上的困难，若在涉及网络时，出现“Rank Deficient”警告，应考虑减小SPREAD的值重新设计。因此，在网络设计的过程中，需要用不同的扩展常数进行尝试，以确定一个最优值。为了更严格地对数据进行拟合，最好使扩展常数的值小于输入向量之间的典型距离。一般扩展常数取0.7、0.8或默认的都可以，要用试凑法。
搜一下：径向基神经网络中spread的取值范围和DF的取值范围是多少啊？经验值也可以，要范围。

6，神经网络的分类

神经网络有多种分类方式，例如，按网络性能可分为连续型与离散型网络，确定型与随机型网络:按网络拓扑结构可分为前向神经网络与反馈神经网络。本章土要简介前向神经网络、反馈神经网络和自组织特征映射神经网络。 前向神经网络是数据挖掘中广为应用的一种网络，其原理或算法也是很多神经网络模型的基础。径向基函数神经网络就是一种前向型神经网络。 Hopfield神经网络是反馈网络的代表。Hvpfi}ld网络的原型是一个非线性动力学系统，目前，已经在联想记忆和优化计算中得到成功应用。 模拟退火算法是为解决优化计算中局部极小问题提出的。Baltzmann机是具有随机输出值单元的随机神经网络，串行的Baltzmann机可以看作是对二次组合优化问题的模拟退火算法的具体实现，同时它还可以模拟外界的概率分布，实现概率意义上的联想记忆。 自组织竞争型神经网络的特点是能识别环境的特征并自动聚类。自组织竟争型神经网络已成功应用于特征抽取和大规模数据处理。
人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。 　　逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。 　　人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
这个概念太广了

文章TAG：径向  神经  神经网络  网络  径向基神经网络  
下一篇