精选优质文档-倾情为你奉上实验四、RBF神经网络一、实验目的通过计算机编程实现并验证RBF神经网络的曲线拟合及模式分类能力。二、实验内容1）用Matlab实现RBF神经网络，并对给定的曲线样本集实现拟合；2）通过改变实验参数，观察和分析影响RBF神经网络的结果与收敛速度的因素；三、实验原理、方法和手段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、控制和故障诊断等。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参数（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。径向基函数解决
