径向基函数神经网络RBFNN案例实操
简介
（来自ChatGPT的介绍，如有更正建议请指出）
径向基函数神经网络（Radial Basis Function Neural Network, RBFNN）是一种特殊的前馈神经网络，其结构和特点与其他常见的神经网络有所不同，主要表现在以下几个方面：
- 网络结构
- 三层结构：RBF神经网络通常由三层组成：输入层、隐藏层和输出层。与常规的多层感知器（MLP）相比，其隐藏层的激活函数采用径向基函数（通常是高斯函数）。
- 隐层节点：每个隐藏层节点表示一个中心点，输入到该节点的距离通过径向基函数进行转换，因此隐层节点的作用类似于一种局部响应单位。
- 径向基函数
- 局部特性：径向基函数的输出是基于输入数据与某个中心的距离，输出在离中心较近的地方较大，离中心较远时趋近于零。常见的径向基函数包括高斯函数、多项式、逆多二次函数等。
- 非线性映射：由于径向基函数可以对输入进行非线性映射，RBFNN具备了处理复杂非线性问题的能力。
- 训练过程
- 两阶段训练：RBFNN的训练分为两个阶段。首先是通过无监督学习（如K均值聚类）确定隐藏层节点的中心，然后在第二阶段使用线性优化算法（如最小二乘法）来训练输出层的权重。这种方式相比传统的反向传播算法收敛速度更快。
- 少量参数优化：因为RBF神经网络的输出层通常是线性权重，因此需要优化的参数数量较少，训练速度快。
- 应用场景
- 函数逼近与插值：RBFNN特别适合用于函数逼近和插值问题，因为它对输入空间进行局部化响应，能够较好地拟合复杂的函数。
- 分类和回归：RBFNN可以用来解决分类和回归问题，尤其适合那些具有明显聚类特性的任务。
- 特点总结
- 良好的逼近能力：RBFNN具有良好的逼近非线性函数的能力，并且在理论上可以逼近任意连续函数。
- 快速训练：由于采用两阶段训练方法，RBF神经网络的训练速度较快。
- 鲁棒性差：RBFNN对噪声数据的敏感度较高，容易出现过拟合现象。
- 需要确定中心和宽度参数：选择合适的中心和宽度参数对网络性能有很大影响，选择不当会导致模型性能较差。
RBF神经网络的这些特点使其在一定的应用场景中表现突出，尤其是在需要快速训练和局部响应的情况下效果尤为显著。
案例实操
案例概述
平面上有一些点，将这些点映射到马鞍面的对应点上。
输入为平面点空间坐标(x,y,z)，输出为马鞍面点空间坐标(x,y,z)
训练，预测一些点的对应坐标
函数主体
# 使用 matplotlib 的交互模式
%matplotlib widgetimport torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans# RBF Layer
class RBFLayer(nn.Module):def __init__(self, in_features, out_features, centers, gamma=1.0):super(RBFLayer, self).__init__()self.in_features = in_featuresself.out_features = out_featuresself.centers = nn.Parameter(torch.tensor(centers, dtype=torch.float32), requires_grad=False)self.gamma = gammadef forward(self, x):# 计算输入到每个中心的欧式距离x = x.unsqueeze(1).repeat(1, self.out_features, 1)centers = self.centers.unsqueeze(0).repeat(x.size(0), 1,