bp和rbf的区别

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、分类能力和学习速度等方面均优于BO网络。从理论上讲，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：

1985年，Powell提出了多变量插值的径向基函数（RBF）方法。径向基函数是一个取值仅仅依赖于离原点距离的实值函数，也就是Φ（x）=Φ（‖x‖），或者还可以是到任意一点c的距离，c点称为中心点，也就是Φ（x，c）=Φ（‖x-c‖）。任意一个满足Φ（x）=Φ（‖x‖）特性的函数Φ都叫做径向基函数，标准的一般使用欧氏距离（也叫做欧式径向基函数），尽管其他距离函数也是可以的。最常用的径向基函数是高斯核函数 ,形式为 k（x-xc）=exp{- x-xc^2/（2*σ）^2） } 其中x_c为核函数中心，σ为函数的宽度参数 , 控制了函数的径向作用范围。