6.3 基于rbf神经网络的辨识.ppt

1、RBF神经网络 径向基函数(RBF-Radial Basis Function)神经网络是由J.Moody和C.Darken在80年代末提出的一种神经网络,它是具有单隐层的三层前馈网络。由于它模拟了人脑中局部调整、相互覆盖接收域（或称感受野-Receptive Field）的神经网络结构，因此，RBF网络是一种局部逼近网络，已证明它能任意精度逼近任意连续函数[1]。 6.3 基于RBF神经网络的辨识 RBF网络特点 (1) RBF网络的作用函数为高斯函数，是局部的，BP网络的作用函数为S函数，是全局的； (2) 如何确定RBF网络隐层节点的中心及基宽度参数是一个困难的问题； (3) 已证明RBF网络具有唯一最佳逼近的特性，且无局部极小[1]。 RBF网络结构 RBF网络是一种三层前向网络，由于输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，从而可以大大加快学习速度并避免局部极小问题。 RBF网络结构图1所示。 图1 RBF网络结构 2、RBF网络的逼近 采用RBF网络逼近一对象的结构如图2所示。 图2 RBF神经网络逼近 在RBF网络结构中， 为网络的输入向量。设RBF网络的径向基向量 ，其中hj为高斯基函数： 网络的第j个结点的中心矢量为： 其中，i=1,2,…n 设网络的基宽向量为： 为节点的基宽度参数，且为大于零的数。网络的权向量为： k时刻网络的输出为： 设理想输出为y(k)，则性能指标函数为： 根据梯度下降法，输出权、节点中心及节点基宽参数的迭代算法如下： 其中, 为学习速率， 为动量因子。 阵(即为对象的输出对控制输入的灵敏度信息)算法为： 其中取 。 使用RBF网络逼近下列对象： RBF网络逼近程序见chap6_4.m 3、RBF网络逼近仿真实例 参考文献 [1] J.Park, I.W.Sandberg, Universal approximation using radial-basis-function networks，Neural Computation，1991，3（2）：246-257