الگوریتم طبقه بندی شبکه عصبی شعاعی RBF

در یادگیری ماشین، هسته تابع پایه شعاعی، یا هسته RBF، یک تابع هسته محبوب است که در الگوریتم‌های یادگیری مختلف هسته ای استفاده می‌شود. به‌طور خاص، معمولاً در دسته‌بندی ماشین بردار پشتیبانی استفاده می‌شود. هسته RBF در دو نمونه x و x ‘، به عنوان بردارهای ویژگی در برخی از فضای ورودی، به صورت زیر تعریف می‌شود:

شبکه عصبی RBF در حوزه ی مدلسازی ریاضی،RBF یک شبکه عصبی مصنوعی هستش که از توابع پایه ای شعاعی به عنوان توابع فعالیت استفاده می کنه. خروجی این شبکه یک ترکیب خطی از توابع پایه ی شعاعی برای پارامترهای ورودی و نرونهاست. این شبکه ها در تابع تقریب،پیشبینی سری های زمانی،کلاسبندی و کنترل سیستم مورد استفاده قرار میگیرند.

معماری شبکه :

شبکه های RBF معمولا شامل سه لایه هستن : لایه ی ورودی ، لایه ی مخفی با یه تابع فعالیت RBF غیرخطی و لایه ی خروجی

ورودی می تونه به عنوان یه بردار از اعداد حقیقی مدل بشه و خروجی این شبکه یه تابع scalar از بردار ورودی هستش که به صورت زیر محاسبه میشه :

یک شبکه عصبی ساده RBF

شبکه‌های عصبی RBF سه لایه دارند: لایه ورودی (Input Layer)، لایه پنهان یا مخفی (Hidden Layer) و لایه خروجی (Output Layer). نورون‌های لایه مخفی با یک تابع پایه شعاعی (RBF) فعال (تحریک) می‌شوند. لایه مخفی از آرایه‌ای از واحدهای محاسباتی تشکیل شده که گره‌های مخفی (Hidden Nodes) نامیده می‌شوند. هر گره مخفی شامل یک بردار cc مرکزی است که یک بردار پارامتری با طولی مشابه با بردار ورودی xx است. فاصله اقلیدسی بین بردار مرکز و بردار ورودی xx شبکه به صورت ||x(t)–cj(t)|| ||x(t)–cj(t)|| تعریف می‌شود.