【文献阅读】基于多层径向基函数网络的实函数逼近过程研究

（1）径向基函数的典型学习方法

① Mood和Darken算法
这个算法先对样本的输入部分做聚类分析，通常是k一均值算法，将样本的输入部分分成若干类，算出每类的重心作为径向基函数的中心，再指定径向基函数的宽度参数，然后用最小二乘法确定各径向基函数的组合系数，本文中就是利用该算法来建立多层径向基函数网络的。

② Poggio算法
这个算法将每个样本的输入部分作为一个径向基函数的中心，这样径向基函数的个数就是样本的个数。然后指定径向基的个数的宽度参数的组合系数。再用最小二乘法确定各径向基的组合系数。

③ 正则正交最小二乘法

④ 局部学习法

（2）多层径向基函数网络

单层径向基函数网络的逼近精度较低，限制了它的应用效果。
这里我们提出多层径向基函数网络，以克服这个缺点。其基本原理是在一层网络的基础上用第二层网络去拟合第一层网络的残差函数，这样拟合精度就提高了。
再在两层网络的基础上用第三层网络去拟合两层网络的拟合残差函数，得到了三层网络，它的拟合精度又提高了。
如此进行下去，就得到一个高精度的多层径向基函数网络。
高精度的函数逼近网络在非线性建模，特别是非线性时间序列和混沌时间序列的建模和预测上有着重要的意义。