>>P 产品中心 Product center
> 滑轨屏 标准模块 > 滑轨屏 成套产品 > 滑轨屏 高端定制 > 开合门 | 开合屏
>>C 案例中心 Case
> 开合屏 > 旋转滑轨屏 > 弧形滑轨屏 > 多点触控 > 数字展厅 > 虚拟展馆 > 3D 渲染 > 三维全景 > 多屏互动 > 虚拟现实
>>I 项目日志 Information
> 开合门胜利完工 > 张之洞博物馆完工 > 汽车教学 AR、VR和体感等互动 > 安徽滑轨项目施工篇 > 连云港86寸定制款滑轨屏之物料 > 连云港86寸定制款滑轨屏之施工 > 河北邯郸馆陶县互动滑轨屏项目 > 武汉绘芯辽宁项目日志
C 联系方式 Contact Us

地址: 湖北省武汉市江夏区藏龙岛九凤街谭湖一路8号

邮编: 443000

电话: +86-027-87052087

手机: +86-13329706647

邮箱: 956693667@qq.com

当前位置:首页 > 行业咨讯 > 行业咨讯

滑屏 径向基函数(RBF)神经网络

时间:2021-08-03 14:01来源:hxceshi 点击:

RBF网络能够逼近任意的非线性函数,可以处理系统内的难以解析的规律性,具有良非常好的泛化能力,并有很快的学习收敛速度,已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和毛病诊断等。

简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调数据(权值或阈值)对任何一个输出都有影响时,这样的网络称为全局逼近网络。由于对于每次输入,网络上的每一个权值都要调整,从而导致全局逼近网络的学习速度很慢。BP网络就是一个典型的例子。

如果对于输入空间的某个局部区域只有少数几个连接权值影响输出,则该网络称为局部逼近网络。常见的局部逼近网络有RBF网络、小脑模型(CMAC)网络、B样条网络等。

径向基函数处理插值问题

完全内插法要求插值函数经过每个样本点,即

。样本点总共有P个。

RBF的方法是要选择P个基函数,每个基函数对应一个训练数据,各基函数方式为

,由于距离是径向同性的,因而称为径向基函数。||X-Xp||表示差向量的模,或者叫2范数。

基于为径向基函数的插值函数为:

输入X是个m维的向量,样本容量为P,P>m。可以看到输入数据点Xp是径向基函数φp的中心。

隐藏层的作用是把向量从低维m映射到高维P,低维线性不可分的情况到高维就线性可分了。

将插值条件代入:

bp和rbf神经网络的实现及其性能比较_rbf神经网络参数_rbf神经网络训练算法

写成向量的方式为

,显然Φ是个规模这P对称矩阵,且与X的维度无关,当Φ可逆时,有

对于一大类函数,当输入的X各不相同时,Φ就是可逆的。下面的几个函数就属于这“一大类”函数:

1)Gauss(高斯)函数

2)Reflected Sigmoidal(反常S型)函数

3)Inverse multiquadrics(拟多二次)函数

σ称为径向基函数的扩展常数,它反应了函数图像的宽度,σ越小,宽度越窄,函数越具有选择性。

完全内插存在一些问题:

1)插值曲面必须经过所有样本点,当样本中包含噪声时,神经网络将拟合出一个错误的曲面,从而使泛化能力下降。

由于输入样本中包含噪声,所以我们可以设计隐藏层大小为K,K

2)基函数个数等于训练样本数目,当训练样本数远远大于物理过程中固有的自由度时,问题就称为超定的,插值矩阵求逆时可能导致不稳定。

拟合函数F的重建问题满足以下3个条件时,称问题为适定的:

解的存在性解的独一性解的连续性

不适定问题大量存在,为处理这个问题,就引入了正则化理论。

正则化理论

正则化的基本思想是通过加入一个含有解的先验知识的约束来控制映射函数的光滑性,这样类似的输入就对应着类似的输出。

寻找逼近函数F(x)通过最小化下面的目标函数来实现:

加式的第一项非常好理解,这是均方误差,寻找最优的逼近函数,自然要使均方误差最小。第二项是用来控制逼近函数光滑程度的,称为正则化项,λ是正则化数据,D是一个线性微分算子,代表了对F(x)的先验知识。曲率过大(光滑度过低)的F(x)通常具有较大的||DF||值,因而将遭到较大的惩罚。

直接给出(1)式的解:

权向量

********************************(2)

rbf神经网络参数_bp和rbf神经网络的实现及其性能比较_rbf神经网络训练算法

G(X,Xp)称为Green函数,G称为Green矩阵。Green函数与算子D的方式有关,当D具有旋转不变性和平移不变性时,

。这类Green函数的一个重要例子是多元Gauss函数:

正则化RBF网络

输入样本有P个时,隐藏层神经元数目为P,且第p个神经元采用的变换函数为G(X,Xp),它们相同的扩展常数σ。输出层神经元直接把净输入作为输出。输入层到隐藏层的权值全设为1,隐藏层到输出层的权值是需要训练得到的:逐一输入所有的样本,计算隐藏层上所有的Green函数,根据(2)式计算权值。

广义RBF网络

在线客服

扫码与我交流