nach oben

Erschienen in:

2018 | OriginalPaper | Buchkapitel

5. Radial Basis Function Networks

verfasst von : Charu C. Aggarwal

Erschienen in: Neural Networks and Deep Learning

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Radial basis function (RBF) networks represent a fundamentally different architecture from what we have seen in the previous chapters. All the previous chapters use a feed-forward network in which the inputs are transmitted forward from layer to layer in a similar fashion in order to create the final outputs.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Teaching Deep Learners to Generalize

Nächstes Kapitel Restricted Boltzmann Machines

A full explanation of the kernel regression prediction of Equation 5.18 is beyond the scope of this book. Readers are referred to [6].

[6]

C. Aggarwal. Machine learning for text. Springer, 2018.

[41]

C. M. Bishop. Neural networks for pattern recognition. Oxford University Press, 1995.

[43]

C. M Bishop. Improving the generalization properties of radial basis function neural networks. Neural Computation, 3(4), pp. 579–588, 1991.

[51]

D. Broomhead and D. Lowe. Multivariable functional interpolation and adaptive networks. Complex Systems, 2, pp. 321–355, 1988.MathSciNetMATH

[57]

M. Buhmann. Radial Basis Functions: Theory and implementations. Cambridge University Press, 2003.

[65]

S. Chen, C. Cowan, and P. Grant. Orthogonal least-squares learning algorithm for radial basis function networks. IEEE Transactions on Neural Networks, 2(2), pp. 302–309, 1991.CrossRef

[84]

T. Cover. Geometrical and statistical properties of systems of linear inequalities with applications to pattern recognition. IEEE Transactions on Electronic Computers, pp. 326–334, 1965.

[125]

B. Fritzke. Fast learning with incremental RBF networks. Neural Processing Letters, 1(1), pp. 2–5, 1994.CrossRef

[173]

E. Hartman, J. Keeler, and J. Kowalski. Layered neural networks with Gaussian hidden units as universal approximations. Neural Computation, 2(2), pp. 210–215, 1990.CrossRef

[182]

S. Haykin. Neural networks and learning machines. Pearson, 2008.

[256]

M. Kubat. Decision trees can initialize radial-basis function networks. IEEE Transactions on Neural Networks, 9(5), pp. 813–821, 1998.MathSciNetCrossRef

[323]

C. Micchelli. Interpolation of scattered data: distance matrices and conditionally positive definite functions. Constructive Approximations, 2, pp. 11–22, 1986.MathSciNetCrossRef

[342]

J. Moody and C. Darken. Fast learning in networks of locally-tuned processing units. Neural Computation, 1(2), pp. 281–294, 1989.CrossRef

[347]

M. Musavi, W. Ahmed, K. Chan, K. Faris, and D. Hummels. On the training of radial basis function classifiers. Neural Networks, 5(4), pp. 595–603, 1992.CrossRef

[363]

M. J. L. Orr. Introduction to radial basis function networks, University of Edinburgh Technical Report, Centre of Cognitive Science, 1996. ftp://ftp.cogsci.ed.ac.uk/pub/mjo/intro.ps.Z

[365]

J. Park and I. Sandberg. Universal approximation using radial-basis-function networks. Neural Computation, 3(1), pp. 246–257, 1991.CrossRef

[366]

J. Park and I. Sandberg. Approximation and radial-basis-function networks. Neural Computation, 5(2), pp. 305–316, 1993.CrossRef

[423]

H. Sarimveis, A. Alexandridis, and G. Bafas. A fast training algorithm for RBF networks based on subtractive clustering. Neurocomputing, 51, pp. 501–505, 2003.CrossRef

[430]

B. Schölkopf, K. Sung, C. Burges, F. Girosi, P. Niyogi, T. Poggio, and V. Vapnik. Comparing support vector machines with Gaussian kernels to radial basis function classifiers. IEEE Transactions on Signal Processing, 45(11), pp. 2758–2765, 1997.CrossRef

[530]

D. Wettschereck and T. Dietterich. Improving the performance of radial basis function networks by learning center locations. NIPS Conference, pp. 1133–1140, 1992.

Titel: Radial Basis Function Networks
verfasst von: Charu C. Aggarwal
Verlag: Springer International Publishing
Buch: Neural Networks and Deep Learning
Print ISBN: 978-3-319-94462-3

Electronic ISBN: 978-3-319-94463-0

Copyright-Jahr: 2018
DOI: https://doi.org/10.1007/978-3-319-94463-0_5

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner