文档介绍：RBF 的泛化能力在多个方面都优于 BP 网络, 但是在解决具有相同精度要求的问题
时, BP 网络的结构要比 RBF 网络简单。？？
RBF 网络的逼近精度要明显高于 BP 网络,它几乎能实现完全逼近 , 而且设计起来极
其方便 , 网络可以自动增加神经元直到满足精度要求为止。但是在训练样本增多时 , RBF 网络的隐层神经元数远远高于前者 , 使得 RBF 网络的复杂度大增加 , 结构过于庞大 , 从而运算量也有所增加。？？
RBF神经网络是一种性能优良的前馈型神经网络， RBF网络可以任意精度逼近任意
的非线性函数，且具有全局逼近能力，从根本上解决了 BP网络的局部最优问题，
而且拓扑结构紧凑，结构参数可实现分离学****收敛速度快。
他们的结构是完全不一样的。BP是通过不断的调整神经元的权值来逼近最小误差的。其方法一般是梯度下降。RBF是一种前馈型的神经网络，也就是说他不是通过不停
的调整权值来逼近最小误差的，的激励函数是一般是高斯函数和 BP的S型函数不
一样，高斯函数是通过对输入与函数中心点的距离来算权重的。
bp 神经网络学****速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对
于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学****速率太小
造成的。而 rbf 神经网络是种高效的前馈式网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。
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，这种调节权值的方
法有它的局限性，既存在着收敛速度慢和局部极小等缺点。而径向基神经网络在逼近能力、分类能力和学****速度等方面均优于 BO网络。从理论上，RBF网络和BP网络一样可近似任
何的连续非线形函数，两者的主要差别在于各使用不同的作用函数， BP 网络中的隐层节点
使用的是Sigmoid函数，其函数值在输入空间中无限大的范围内为非零值，而RBF网络的作
用函数则是局部的。
RBF神经网络与BP神经网络的比较
RBF神经网络与BP神经网络都是非线性多层前向网络，它们都是通用逼近器。对于任一个BP神经网络，总存在一个 RBF神经网络可以代替它，反之亦然。但是这两个网络也存在着很多不同点，这里从网络结构、训练算法、网络资源的利用及逼近性能等方面对 RBF
神经网络和BP神经网络进行比较研究。
（1）从网络结构上看。 BP神经网络实行权连接，而 RBF神经网络输入层到隐层单元之间
为直接连接，隐层到输出层实行权连接。 BP 神经网络隐层单元的转移函数一般选择非线性函数（如反正切函数），RBF神经网络隐层单元的转移函数是关于中心对称的 RBF （如高斯
函数）。BP神经网络是三层或三层以上的静态前馈神经网络，其隐层和隐层节点数不容易确
定，没有普遍适用的规律可循，一旦网络的结构确定下来，在训练阶段网络结构将不再变化； RBF神经网络是三层静态前馈神经网络，隐层单元数也就是网络的结构可以根据研究的具体
问题，在训练阶段自适应地调整，这样网络的适用性就更好了。
（2）从训练算法上看。BP神经网络需要确定的参数是连接权值和阈值，主要的训练算法为
BP 算法和改进的 BP 算法。但 BP 算法存在许多不足之处，主要表现