一般而言，我们可以把神经网络分为前馈网络、递归网络和反馈网络。前馈网络一般指前馈神经网络或者前馈型神经网络。它是一种最简单的神经网络，各神经元分层排列。每个神经元只与前一层的神经元相连。接收前一层地输出，并输出给下一层，各层间没有反馈。包括：BP神经网络、RBF神经网络等。
递归神经网络（RNN）是两种人工神经网络的总称。一种是时间递归神经网络（recurrent neural network），又名循环神经网络，包括RNN、LSTM、GRU等；另一种是结构递归神经网络（recursive neural network）。
反馈网络(Recurrent Network)，又称自联想记忆网络，其目的是为了设计一个网络，储存一组平衡点，使得当给网络一组初始值时，网络通过自行运行而最终收敛到这个设计的平衡点上。包括CHNN、DHNN等。
前馈神经网络的网络结构比较简单，一般为神经网络的入门跳板。
前馈神经网络之——RBF（Radial basis function）径向基函数神经网络
对神经网络有最基础理解的人都知道，神经网络其实就是输入层、几层隐含层、输出层。不同的layer之间的神经元互相连接，连接方式通常为线性加权。
如上图。最简单的神经网络框架中，每一层神经元的连接是线性的。该层的输入为，上层所有输出的加权求和。
而RBF神经网络就是其中的一种特殊的神经网络。RBF神经网络只有三层，包括输入层、隐层和输出层。并且输入空间到隐层的变换是非线性的。如下图：
RBF网络
的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样即可以将输入矢量直接映射到隐空间，而不需要通过权连接。当RBF的中心点确定以后whatsapp网页版，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。
其中，隐含层的作用是把向量从低维度的p映射到高维度的h，这样低维度线性不可分的情况到高维度即可以变得线性可分了，主要就是核函数的思想。这样，网络由输入到输出的映射是非线性的telegram中文版，而网络输出对可调参数而言却又是线性的。网络的权即可由线性方程组直接解出，从而大大加快学习速度并避免局部极小问题。
很多人在入门RBF神经网络时接触上述的一段文字，会出现从入门到放弃的问题。所以我们下面为大家浅显地详情一下，什么是RBF神经网络的运作过程。
RBF径向基函数
首先在详情径向基函数神经网络之前，先详情一下什么是径向基函数。
所有满足
的函数都可以叫径向基函数。也可以按到某一中心点c的距离来定义，
由此可见，径向基函数是一个取值仅依赖于样本点到原点（或者中心点）距离的实值函数。
常见的径向基函数包括但不限于
1. 高斯函数
2. 多二次函数（multiquadric）
3. 逆二次函数（inverse quadratic）
4. 逆多二次函数（inverse multiquadric）
5. 多重调和样条（polyharmonic spline）
6. 薄板样条（thin plate spline）
常见RBF的函数逼近过程
数学上可以用许多的径向基函数的和来逼近某一个给定的函数。这一逼近的过程可看作是一个简单的神经网络。换句话说也就是使用径向基函数处理多变量插值问题。基于径向基函数的插值函数如下：
由公式可知，基于径向基函数的插值过程即由p个径向基函数与其相应的权值构成。下图先给出二维平面的n个样本点：
实际操作中，我们往往希望能构建一个函数，使得所有的样本点均落在函数上。此处，我们以径向基函数进行拟合，以一维高斯函数为例，当以原点作为高斯函数的中心点时whatsapp网页版，高斯函数的曲线如下图：
高斯函数的公式为：
即距离中心点的径越大，高斯函数的取值越小；反之，高斯函数的取值越大，其最大值为1。其高斯函数关于中心点对称。
得益于这一属性，我们构造N个高斯函数，使每一个高斯函数的中心点均与样本点重合，取得下图的红色曲线：
对上图所有的高斯曲线分别乘上一个权值，使得高斯函数的峰值逼近样本点的真实值。
下图中，蓝色曲线为真正的样本点分布曲线。我们把所有的高斯曲线进行加权叠加，边能得到逼近蓝色曲线的拟合曲线。这便对应了插值函数就是由p个径向基函数和其权值构成(p为给定的样本数)。
假如我们把这里的一维高斯函数曲线推广到二维曲面上，若干个二维高斯曲面叠加，就能实现曲面的拟合。
结合上图和下图，径向基函数神经网络中，隐层的每一个神经元对应着一个上图中的高斯函数曲线（面），而网络的输出为隐含层所有神经元的加权叠加。
总结：
RBF网络能够逼近任意的非线性函数，可以解决系统内的难以解析的规律性，具备良好的泛化能力，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、信息解决、图像解决、系统建模、控制和故障诊断等。
作者 | 钟穗希，海南大学硕士