神经网络模型理论的简要介绍
电视机品牌排名-七情六欲歌曲
龙源期刊网 http:
神经网络模型理论的简要介绍
作者：杨嘉庆 周俊峰
来源：《消费导刊》2018年第04期
摘要：本文系统地介绍了神经网络模型中径向基函数网络模型的数学理论，包括他的原
理，算法步骤和实
证过程。
关键词：神经网络模型 径向基函数网络
人工
神经网络是一种基于脑与神经系统的仿真模型，它是模拟人的神经结构思维并行计算
方式启发形成的一种
信息描述和信息处理的数学模型。它具有自我学习能力，从一组输入数据
中学习，然后不断调整模型参数
，以建造更合适的模型。因此，神经网络的工作过程一般来讲
包含两个阶段：
训练阶段：主要是调整网络神经元间的连接权值和连接方法等，因为事实上正是连接方式
和连接权值决定
了神经网络的信息处理能力，所以训练过程至关重要。同时，神经网络因为具
有自学习和自组织的显著特
征，它既可以有导师也可以无导师的自主学习，从而能够适应外界
环境的复杂变化。
验证阶段：在这个阶段网络的各项已经训练好的参数都不会发生变化，此阶段的工作过程
主要体现在建立
输入数据，然后根据已经训练好的最有参数建立系统模型，然后再得到输出数
据，最后比较实际数据与输
出数据的误差。
人工神经网络在数学上已经得到证明，当条件允许时，它可以无限可
能地逼近实际函数，
这意味着无论反映实际规律的函数有多复杂，形式有多不规范，神经网络都能逼近那
些并不
“友好”的函数，这样得天独厚的特点对于复杂多变的股票市场无疑具有特别实际的意义，也因<
br>此使得神经网络在许多领域都得到了成功应用。
目前学界比较重视同时实际应
用中也比较广泛的神经网络预测方法有前馈式神经网络
（BP网络），径向基函数网络（RBF），反馈
式网络等。目前BP神经网络在各个领域中得到
较多的应用，但是BP神经网络也有一个比较致命的弱点
，就是网络收敛过程常常难以超越局
部极小范围而无法最终收敛到全局最小。径向基函数网络是一种三层
前馈式神经网络，包括输
入层、隐含层和输出层，在RBF网络中，隐含层节点的作用实际上就是执行一
种非线性变
换，使当有外界输入后，它会利用基函数实现线性加权组合，从而达到从输入空间到隐层空间
的非线性映射。它具有特别出众的非线性方面的拟合能力，理论上能够无限度的逼近任意给定
的
非线性函数。这样，径向基函数网络的学习过程可以看作是在高维空间中寻找对于一个已经
指定训练数据
而言的最优拟合超平面。