1 基本种类

RBF（Radial Basis Function）网络是一种常用的神经网络模型，可以用于回归任务。常见的 RBF 网络回归方法包括：

1. 基于局部加权回归的 RBF 网络：通过加权的方式对每个样本进行回归，其中权重函数为高斯函数或者多项式函数。
   
2. 基于最小二乘法的 RBF 网络：通过最小化误差平方和来求解网络参数，可以使用线性或非线性的最小二乘法来实现。
   
3. 基于梯度下降的 RBF 网络：通过不断迭代来调整网络参数，使得损失函数最小化。可以使用批量梯度下降、随机梯度下降或者小批量梯度下降等方法来实现。
   
4. 基于正则化的 RBF 网络：通过加入正则化项来避免过拟合，可以使用 L1 正则化、L2 正则化等方法来实现。
   
5. 基于贝叶斯网络的 RBF 网络：通过引入贝叶斯思想来对网络参数进行估计，可以使用贝叶斯最大后验估计、贝叶斯网络平均等方法来实现。
   

2 定义和出图效果

RBF 神经网络（Radial Basis Function Neural Network）是一种基于径向基函数的前向型神经网络。它的特点是具有快速的训练速度和良好的泛化性能。 RBF 神经网络的基本结构包括输入层、隐藏层和输出层。其中隐藏层是 RBF 层，它的神经元使用径向基函数来计算输入向量与每个神经元之间的距离，用这个距离值来作为神经元的激活函数。常用的径向基函数包括高斯函数、多项式函数等。 RBF 神经网络常用于分类和回归问题的解决，它的训练过程通常采用无监督学习算法，如 K 均值聚类算法，来对 RBF 层的中心进行初始化，然后再用监督学习算法，如误差反向传播算法，来调整网络的权值。 RBF 神经网络的优点在于它的泛化能力强、训练速度快、易于实现和调整等。但是它也存在一些缺点，如对参数的选择敏感、容易出现过拟合等。

附出图效果如下：

附视频教程操作：

【MATLAB 】RBF径向基神经网络回归预测代码：

https://mbd.pub/o/bread/ZJyYkpZs

7 种回归预测方案全家桶详情请参见：

https://mbd.pub/o/bread/ZJyYkpZv

4 种时序预测方案全家桶详情请参见：

https://mbd.pub/o/bread/ZJiTmJxr

5 种时序预测方案全家桶详情请参见：

https://mbd.pub/o/bread/ZJaXlJts

9 种时序预测方案全家桶详情请参见：

https://mbd.pub/o/bread/ZJiTmJxx

关于代码有任何疑问，均可关注公众号（Lwcah）后，后台回复关键词：微信号。

获取 up 的个人微信号，添加微信号后可以一起探讨科研，写作，代码等诸多学术问题，我们一起进步~