人工神经网络的实现的函数逼近及c实现
基于正则化RBF神经网络的函数逼近
基于正则化RBF神经网络的函数逼近
一、总述：
这次我们的项目是函数逼近，再简单点说就是所谓的确定下式的参数
f(x) wie
i 1h x ci 2ri2
进过探索，现在已经确定，这是一个正则化RBF网络（此处我的水平还难以解释清楚，所以如要进一步了解请自行查资料）。
二、项目基础知识铺垫（神经网络）
这个铺垫属于科普水平，如有需要，请各位查资料进一步了解O(∩_∩)O
神经网络全称人工神经网络，是一种以人的神经网络为基础，经过抽象化简的数学模型。其以多个简单的线性单元（类比为人的神经元）相互连接从而达到相当复杂的信息处理能力。
像人的神经细胞一样，人工神经网络接受其他单元（以后为方便，称为节点）的输入信号，进过加工，向其他节点输出。所谓“加工”其实很简单。在简化后的人工神经网络中，输入是一个量化的数字（x），在乘上一个数（连接权,W表示）后作为节点接受的数值。由于同一个节点会接受多个输入（来自其他节点或外界），在乘上各自对应的权值后，由接受的节点进行相应整合，操作（有特定函数，最简单的函数就是对所有接受的数值求和，与一个阈值比较，大于那个阈值就向下一个节点输出（类比人类神经细胞的兴奋），否则不输出（类比人类神经细胞的抑制））这个函数称为神经元的变换函数。粗略理解，这个将输入带入变换函数求出值决定如何输出的过程就是上文所说的整合加工。其中为了简便，单个节点的各个输入组成一个向量，叫输入向量（X）。
神经节点间按照一定的规则相互连接成网络，连接方式称为扑拓结构（扑拓结构不是神经网络的专有名词，是一个数学名词）。
神经网络的训练：在神经网络设计好后是不能立即投入使用的，就像人一样，做任何事之前必须经过一定训练，积累经验。在人工神经网络中，经验就是各个连接权值的取值以及整个网络的扑拓结构。训练简单说就是确定权值和扑拓结构的过程。学习一般分为三种，即：有导师学习，无导师学习和灌输式学习。其实这和我们学习是相当相似的（神经网络本就是仿人的，所以和人有很多相似处），粗略来说，无导师学习
你可能喜欢
- 紫外可见吸收光谱法
- 红外吸收峰
- Matlab神经网络工具箱
- 神经网络论文
- MATLAB神经网络
- 第3章紫外-可见吸收光谱法19页
- 南大仪器分析课件第13章 紫外可见吸收光谱法15页
- 3紫外-可见吸收光谱法56页
- 仪器分析[第十三章紫外一可见吸收光谱分析法]山东大学期末考试知识点复习8页
- 第五章 紫外可见吸收光谱法62页
- 紫外可见吸收光谱法9页
- 各类有机物的红外吸收峰5页
- 官能团化合物的红外吸收峰特征3页
- InPFe中与Fe~(2+)有关的一组新的红外吸收峰4页
- 中子辐照硅单晶中一组新的红外吸收峰3页
- 烃类化合物的红外吸收峰特征2页
- 官能团化合物的红外吸收峰特征5页
- Matlab神经网络工具箱BP算法比较3页
- 基于Matlab神经网络工具箱的隧道位移反分析研究_马为功4页
- 基于Matlab神经网络工具箱的电弧焊工艺参数优化3页
- Matlab BP神经网络工具箱实例1页
- Matlab神经网络工具箱在系统辨识中的应用3页
- Matlab神经网络工具箱在过程辩识中的应用4页
