文档介绍：max
RBF网络是一种新颖的有效的前向型神经网络，由于该网络输出层对中间层的线性加权，使得该网络避免了像BP网络那样繁琐冗长的计算，具有较高的运算速度和外推能力，同时使得网络有较强的非线性映射max
RBF网络是一种新颖的有效的前向型神经网络，由于该网络输出层对中间层的线性加权，使得该网络避免了像BP网络那样繁琐冗长的计算，具有较高的运算速度和外推能力，同时使得网络有较强的非线性映射功能，RBF网络是通过非线性基函数的线性组合实现从输入空间Rn到输出空间Rm的非线性转换。而本题数据是一类非线性较强的时间序列，对其进行预测，即从前N个数据中预测将来M个数据，实质上就是找出从Rn到Rm的非线性映射关系。因此，可以说径向基网络特别适合于非线性时间序列的预测。
1、网络的神经元结构
2、激活函数采用径向基函数
（1）以输入和权值向量之间的距离作为自变量
R(dist||)=e」distII2
RBF网络的输出是隐单元输出的线性加权和，学****速度加快；径向基神经网络使用径向基函数（一般使用高斯函数）作为激活函数，神经元输入空间区域很小，因此需要更多的径向基神经元。
自组织选取中心学****方法有：第一步，自组织学****阶段无导师学****过程，求解隐含层基函数的中
心与方差；
第二步，有导师学****阶段求解隐含层到输出层之间的权值
-c
pi
2)
高斯函数作为径向基函数
R(x-c)=exp(--xpi2q2II
网络的输出
yj空Wexp(-2^l
i=1
2)j=1,2,…,n
max
max
设d是样本的期望输出值，那么基函数的方差可表示为：
求解方差
RBF神经网络的基函数为高斯函数时，方差可由下式求解：
co=—max,i=1,2,...h
i<2h
式中c为中所选取中心之间的最大距离。
max
计算隐含层和输出层之间的权值
隐含层至输出层之间神经元的连接权值可以用最小二乘法直接计算
得到，计算公式如下：
x
P
-cjl2)
P=1,2,…,P;i=1,2,…,h
max
由于本题数据可以看做一个时间序列处理，这里假定时间序列X,…,x，现
1N
在希望通过序列的前N年的数据，预测出后M年的数值。这里可以采用序列的前N年的数据为滑动窗口，并将其映射为M个值