文档介绍：众所周知,ＢP网络用于函数逼近时，权值的调节采用的是负梯度下降法。这个调节权值的方法有局限性,即收敛慢和局部极小等。径向基函数网络（ＲＢF)在逼近能力、分类能力和学****速度等方面均优于ＢＰ网络。ﻫ
Ｍａtlａb中提供了四个径向基函数相关的函数，它们都是创建两层的神经网络,第一层都是径向基层,第二层是线性层或者竞争层。主要的区别是它们权值、阀值就算函数不同或者是否有阀值。ﻫﻫ注意:径向基函数网络不需要训练,在创建的时候就自动训练好了。 = nｅwｒbe（P,T，spread)ﻫﻫnewrｂｅ()函数可以快速设计一个径向基函数网络，且是的设计误差为０。第一层(径向基层)神经元数目等于输入向量的个数,加权输入函数为ｄist，网络输入函数为netprod;第二层(线性层）神经元数模有输出向量T确定,加权输入函数为dotpｒoｄ,网络输入函数为netｓum。两层都有阀值。
ﻫ第一层的权值初值为p',阀值初值为0．8326／sprｅad,目的是使加权输入为±，阀值的设置决定了每一个径向基神经元对输入向量产生响应的区域。ﻫﻫ2．［nｅt,ｔr] = nｅwrｂ（P,T,gｏａl，sprｅad,MN，DF)ﻫﻫ该函数和ｎewrbｅ一样,只是可以自动增加网络的隐层神经元数模直到均方差满足精度或者神经元数模达到最大为止。
 
P＝-1:０．１：１;ﻫT＝sｉn(P)；ﻫsｐread＝1;ﻫmｓe=0．０2;ﻫnet＝ｎewrｂ(Ｐ，T，mse,ｓpreａｄ）；ﻫt=sim(neｔ，Ｐ）；ﻫplot(P,T，'r*',Ｐ,t)
 
= newｇrｎｎ（Ｐ,Ｔ,ｓｐｒｅａd）泛回归网络（gｅneraｌiｚｅd rｅgreｓｓion nｅｕral ｎetwｏrk)
广义回归网络主要用于函数逼近。它的结构完全与newｂｒe的相同，但是有以下几点区别(没有说明的表示相同):ﻫ(１）第二网络的权值初值为
Tﻫ(2）第二层没有阀值ﻫ(3)第二层的权值输入函数为noｒｍpoｄ,网络输入函数为nｅtｓum
 
>> Ｐ=0:1：20;
＞＞ Ｔ＝exp（P).*ｓｉn（Ｐ)；ﻫ＞> nｅt=nｅｗgｒｎn（P,T,0．７);ﻫ>＞ ｐ＝0::２０；
>＞ t=ｓim(nｅｔ,p）;ﻫ＞> plot(Ｐ,Ｔ,'*r'，p，t)
 
４．nｅt = ｎewpｎn(P,T,spｒead)概率神经网络（ｐrobabiliｓtｉc nｅuｒal ｎeｔwork)ﻫﻫ该网络与前面三个最大的区别在于,第二层不再是线性层而是竞争层,并且竞争层没有阀值,其它同ｎewbrｅ，故PNN网络主要用于解决分类问题。PNN是按下面的方式进行分类的:ﻫ为网络提供一输入向量后，首先,径向基层