摘要：
RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调参数（权值或阈值）对任何一个输出都有影响时，这样的网络称为全局逼近网络。由于对于每次输入，网络上的每一个权值都要调整，从而导致全局逼近网络的学习速度很慢。BP网络就是一个典型的例子。如果对于输入空间的某个局部区域只有少数几个连接权值影响输出，则该网络称为局部逼近网络。常见的局部逼近网络有RBF网络、小脑模型 阅读全文
摘要：
对偶传播神经网络（Counter-Propagation Network,CPN）能存储二进制或模拟值的模式对，因此这种网络模型也可用于联想存储、模式分类、函数逼近、统计分析和数据压缩等功能。对偶传播神经网络的拓扑结构跟误差反向传播（BP）网络的一样，不同之处在于，CPN采用两个阶段来分别训练竞争层的内星权向量和外星权向量，即第一阶段完全不顾输出层，采用SOFM的方法来训练竞争层的内星权向量，第二阶段采用有导师的Widrow-Hoff规则（最小均方规则LMS）来训练竞争层的外星权向量。CPN算法步骤第一阶段采用竞争学习算法对输入层到竞争层的权向量进行训练。将内星权值随机赋予0~1上的值，归一化 阅读全文