شبکه عصبی تابع پایه شعاعی (RBF Neural Network)، در ریاضیات (Mathematics)
انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :
شبکه عصبی تابع پایه شعاعی (RBF Neural Network) :
شبکه عصبی RBF اساسا همان RBFN است (مشابه شماره ۶۳). در برخی متون، RBF Neural Network و RBF Network به یک معنا به کار می روند. این شبکه ها بر اساس توابع پایه شعاعی (معمولا گاوسی) ساخته می شوند. تفاوت های جزئی ممکن است در روش های آموزش مراکز (با یادگیری بدون نظارت یا نظارت شده) و تنظیم پهنای تابع وجود داشته باشد.
در RBFN، لایه پنهان یک نگاشت غیرخطی از فضای ورودی به یک فضای ویژگی با ابعاد بالاتر (معمولا تعداد نرون ها) انجام می دهد. سپس لایه خروجی یک ترکیب خطی از این ویژگی ها را یاد می گیرد. این شبکه ها تقریب گر جهانی هستند و می توانند هر تابع پیوسته را با دقت دلخواه تقریب بزنند.
روش های آموزش: (۱) انتخاب مراکز به صورت تصادفی از داده ها، (۲) خوشه بندی k-means برای یافتن مراکز، (۳) آموزش مراکز با گرادیان کاهشی (که کند است و ممکن است به بهینه محلی گرفتار شود). پهنای تابع گاوسی
\[ \sigma \]نیز معمولا به صورت تجربی یا با قانون heuristics (مثلا
\[ \sigma = \frac{d_{\max}}{\sqrt{2M}} \]که
\[ d_{\max} \]حداکثر فاصله بین مراکز است) تنظیم می شود.
کاربردها: سیستم های کنترل تطبیقی، مدل سازی سیستم های غیرخطی، بازشناسی گفتار (در گذشته). RBFNها مزیت سرعت در یادگیری (در مرحله دوم) را دارند و برای مسائلی با داده های کم و ابعاد متوسط مناسب هستند.
امروزه با وجود شبکه های عمیق، RBFNها عمدتا در کاربردهای خاص و تحقیقاتی استفاده می شوند.
