RBFNN - одна из полезных функций машинного обучения.
Нейронная сеть с радиальной базисной функцией - это искусственная нейронная сеть, которая предпочитает использовать радиальные базисные функции в качестве операционных функций. Выходные данные, полученные через эту функцию, представляют собой объединение радиальной базисной функции входов и параметров нейрона. Его изобрели в 1988 году Брумхед и Лоу, оба они были исследователями в Royal Signals and Radar Establishment. По сути, это полезно в ряде приложений, таких как аппроксимация функций, прогнозирование временных рядов, классификация и управление системой. Следовательно, это чрезвычайно полезно для AI Startups.
Архитектура нейронной сети с радиальной базисной функцией
Это трехуровневая сеть. По сути, он состоит из трех важных компонентов входного уровня, скрытого слоя и выходного уровня. Здесь каждый слой имеет набор нейронов. Входные значения этой сети перенаправляются через входной слой на скрытый слой через входные веса. Затем выходные значения скрытого слоя снова перенаправляются на выходной уровень через выходные веса. Здесь при выполнении задачи все нейроны выполняют одинаковые функции активации.
Обучение RBFN
При обучении RBFN учитываются следующие параметры:
- Сначала количество нейронов в скрытом слое, а также координаты центра каждого скрытого слоя, функции RBF.
- Распространение каждой функции RBF во всех направлениях.
- Кроме того, веса, которые применяются к выходным данным функции RBF, направляются на суммирование уровня.
Для обучения RBFN использовались различные методы.
Следовательно, мы можем сделать вывод, что это весьма полезный метод для использования, поскольку он обучается быстрее, чем MLP, а также чрезвычайно легко интерпретировать значение в скрытых слоях RBFN.
