吴越;王慧;张彪彪;杜克林 使用径向基函数网络进行函数逼近和分类。 （英语） Zbl 1264.68137号 ISRN申请。数学。 2012年，文章ID 324194，34 p.（2012）. 小结：径向基函数（RBF）网络在传统近似理论中有其基础。它具有普适逼近能力。RBF网络是众所周知的多层感知器（MLP）的一种流行替代方案，因为它具有更简单的结构和更快的训练过程。本文对RBF网络及其学习进行了全面的综述。描述了与RBF网络相关的许多方面，如网络结构、通用逼近能力、径向基函数、RBF网络学习、结构优化、归一化RBF网络、在动态系统建模中的应用以及非线性复值信号处理。我们还比较了这两种型号的特点和性能。 引用于7文件 理学硕士： 68T05型 人工智能中的学习和自适应系统 41A30型 其他特殊函数类的近似 94年12月 信号理论（表征、重建、滤波等） 软件：ANFIS公司 PDF格式BibTeX公司 XML格式引用 \textit{Y.Wu}等人，ISRN应用。数学。2012年，文章ID 324194，34 p.（2012；Zbl 1264.68137） 全文： 内政部 参考文献： [1] Rumelhart，D.E。；辛顿，G.E。；威廉姆斯，R.J。；Rumelhart，D.E。；McClelland，J.L.，通过错误传播学习内部表征，并行分布式处理：认知微观结构的探索（1986），麻省理工学院出版社，马萨诸塞州剑桥 [2] 杜，K.-L。；斯瓦米，M.N.S。，软计算框架中的神经网络，（2006），斯普林格，英国伦敦·Zbl 1101.68757号 [3] 布鲁姆黑德，D.S。；Lowe，D.，多变量函数插值和自适应网络，复杂系统, 2, 3, 321-355, (1988) ·兹比尔0657.68085 [4] 鲍威尔，M.J.D。；梅森，J.C。；Cox，M.G.，多变量插值的径向基函数：综述，近似算法《数学及其应用研究所会议系列》，10，143-167，（1987），牛津大学出版社，英国牛津·Zbl 0638.41001号 [5] Klaseen，M。；Pao，Y.H.，《结构模式识别中的功能链接网》，IEEE计算机和通信系统区域会议论文集（IEEE TENCON’90） [6] Poggio，T。；Girosi，F.，近似和学习网络，IEEE会议记录, 78, 9, 1481-1497, (1990) ·Zbl 1226.92005号 ·doi:10.1109/5.58326 [7] 吉罗西，F。；Poggio，T.，网络和最佳逼近性质，生物控制论, 63, 3, 169-176, (1990) ·Zbl 0714.94029号 ·doi:10.1007/BF00195855 [8] Albus，J.S.，机械手控制的新方法：小脑模型关节控制（CMAC），动态系统、测量和控制杂志, 97, 3, 220-227, (1975) ·兹比尔0314.92007 ·数字对象标识代码：10.1115/1.3426922 [9] Miller，W.T。；格兰仕，F.H。；Kraft，L.G.，CMAC：一种替代反向传播的关联神经网络，IEEE会议记录, 78, 10, 1561-1567, (1990) ·数字对象标识代码：10.1109/5.58338 [10] 科特，东北部。；Guillerm，T.J.，《CMAC和Kolmogorov定理》，神经网络, 5, 2, 221-228, (1992) ·doi:10.1016/S0893-6080（05）80021-8 [11] 布朗，M。；哈里斯·C·J。；Parks，P.C.，二进制CMAC的插值功能，神经网络, 6, 3, 429-440, (1993) ·doi:10.1016/0893-6080（93）90010-T [12] Park，J。；Sanberg，I.W.，使用径向基函数网络的通用近似，神经计算, 2, 246-257, (1991) [13] Liao，Y。；方，S.C。；Nuttle，H.L.W.，径向基函数网络为通用逼近器的松弛条件，神经网络, 16, 7, 1019-1028, (2003) ·兹比尔1255.65044 ·doi:10.1016/S0893-6080（02）00227-7 [14] Michelli，C.A.，分散数据的插值：距离矩阵和条件正定函数，构造性近似, 2, 1, 11-22, (1986) ·Zbl 0625.41005号 ·doi:10.1007/BF01893414 [15] Karayiannis，N.B.，通过梯度下降训练的重组径向基神经网络，IEEE神经网络汇刊, 10, 3, 657-671, (1999) ·数字对象标识代码：10.1109/72.761725 [16] 陈，S。；Billings，S.A。；Cowan，C.F.N。；Grant，P.M.，使用径向基函数实际识别NARMAX模型，国际控制杂志, 52, 6, 1327-1350, (1990) ·Zbl 0707.93075号 ·网址：10.1080/002071790089539 [17] 黄，G.B。；陈，L。；Siew，C.K.，使用带有随机隐藏节点的增量构造前馈网络的通用近似，IEEE神经网络汇刊, 17, 4, 879-892, (2006) ·doi:10.10109/TNN.2006.875977 [18] 杜，K.L。；Cheng，K.K.M。；Swamy，M.N.S.，天线阵列的快速神经波束形成器，国际通信会议论文集（ICC’02） [19] Webb，A.R.，前馈网络的函数逼近：推广的最小二乘法，IEEE神经网络汇刊, 5, 3, 363-371, (1994) ·数字对象标识代码：10.1109/72.286908 [20] Lowe，D.，《关于径向基函数网络中非局部和非正定基函数的使用》，第四届人工神经网络国际会议论文集 [21] Meinguet，J.，简化任意点的多元插值，应用数学与物理杂志, 30, 2, 292-304, (1979) ·Zbl 0428.41008号 ·doi:10.1007/BF01601941 [22] 罗哈斯，I。；Pomares，H。；Bernier，J.L。；奥尔特加，J。；皮诺，B。；佩莱奥，F.J。；Prieto，A.，使用带回归权重的标准化PG-RBF网络进行时间序列分析，神经计算, 42, 267-285, (2002) ·Zbl 1002.68708号 ·doi:10.1016/S0925-2312（01）00338-1 [23] Lee，C.C。；中华人民共和国钟市。；蔡继荣（Tsai，J.R.）。；Chang，C.I.，稳健径向基函数神经网络，IEEE系统、人与控制论汇刊，B部分, 29, 6, 674-685, (1999) [24] Lee，S.J。；Hou，C.L.，基于ART的RBF网络构建，IEEE神经网络汇刊, 13, 6, 1308-1321, (2002) ·doi:10.1109/TNN.2002.804308 [25] Schilling，R.J。；卡罗尔·J·J。；Al-Ajlouni，A.F.，用径向基函数神经网络逼近非线性系统，IEEE神经网络汇刊, 12, 1, 1-15, (2001) ·doi:10.1109/72.896792 [26] 辛格拉，P。；苏巴拉奥，K。；Junkins，J.L.，径向基函数网络的方向依赖学习方法，IEEE神经网络汇刊, 18, 1, 203-222, (2007) ·doi:10.10109/TNN.2006.881805 [27] Devijver，P.A。；基特勒，J。，模式识别：一种统计方法，xiv+448，（1982），Prentice-Hall International，Englewood Cliffs，NJ，USA [28] 海金，S。，神经网络：综合基础，（1999），普伦蒂斯·霍尔，上鞍河，新泽西州，美国·Zbl 0934.68076号 [29] Sanchez，A.V.D.，基于二阶导数的RBF中心布局，神经计算, 7, 3, 311-317, (1995) ·doi:10.1016/0925-2312（94）00082-4 [30] 穆迪，J。；Darken，C.J.，本地调谐处理单元网络中的快速学习，神经计算, 1, 2, 281-294, (1989) ·doi:10.1116/neco.1989.1.2.281 [31] Chen，C.L。；Chen，W.C。；Chang，F.Y.，高斯势函数网络的混合学习算法，IEE程序D，140，6442-448，（1993）·Zbl 0799.68161号 ·doi:10.1049/ip-d.1993.0058 [32] Kohonen，T。，自我组织与联想记忆《信息科学史普林格丛书》，8，xvi+312，（1989），德国柏林史普林格出版社·Zbl 0659.68100号 [33] Du，K.L.，聚类：一种神经网络方法，神经网络, 23, 1, 89-107, (2010) ·Zbl 1397.62219号 ·doi:10.1016/j.neunet.2009.08.007 [34] Golub，G.H。；van Loan，C.F.公司。，矩阵计算，（1989），约翰·霍普金斯大学出版社，美国马里兰州巴尔的摩·Zbl 0733.65016号 [35] Abe，Y。；Iiguni，Y.，规则采样输入的RBF系数的快速计算，电子信件, 39, 6, 543-544, (2003) ·doi:10.1049/el:20030329文件 [36] Astrom，K.J。；维滕马克，B。，自适应控制，（1995），Addison-Wesley，Reading，Mass，USA·Zbl 0217.57903号 [37] 卡明斯基，W。；Strumillo，P.，径向基函数神经网络中的核正交归一化，IEEE神经网络汇刊, 8, 5, 1177-1183, (1997) ·数字对象标识代码：10.1109/72.623218 [38] 陈，S。；Cowan，C.F.N。；Grant，P.M.，径向基函数网络的正交最小二乘学习算法，IEEE神经网络汇刊, 2, 2, 302-309, (1991) ·数字对象标识代码：10.1109/72.80341 [39] 陈，S。；格兰特，P.M。；Cowan，C.F.N.，训练多输出径向基函数网络的正交最小二乘算法，IEE程序，F部分, 139, 6, 378-384, (1992) ·doi:10.1049/ip-f-2.1992.0054 [40] 陈，S。；Wigger，J.，高效子集模型选择的快速正交最小二乘算法，IEEE信号处理汇刊, 43, 7, 1713-1715, (1995) ·doi:10.1009/78.398734 [41] X.洪。；Billings，S.A.，Givens基于旋转的RBF神经网络修剪快速后向消除算法，IEE会议录：控制理论与应用, 144, 5, 381-384, (1997) ·Zbl 0885.93025号 [42] Akaike，H.，统计模型识别的新视角，电气和电子工程师协会, 19, 716-723, (1974) ·Zbl 0314.62039号 [43] Orr，M.J.L.，径向基函数中心选择的正则化，神经计算, 7, 3, 606-623, (1995) ·doi:10.1162/neco.1995.7.3.606 [44] 陈，S。；Chng，E.S。；Alkadhimi，K.，构建径向基函数网络的正则化正交最小二乘算法，国际控制杂志, 64, 5, 829-837, (1996) ·Zbl 0856.68120号 ·doi:10.1080/00207179608921659 [45] 陈，S。；X.洪。；哈里斯·C·J。；Sharkey，P.M.，使用具有压力统计和正则化的正交正回归的稀疏建模，IEEE系统、人与控制论汇刊，B部分, 34, 2, 898-911, (2004) ·doi:10.1109/TSMCB.2003.817107 [46] Mao，K.Z.，基于Fisher比率类可分性测度的RBF神经网络中心选择，IEEE神经网络汇刊, 13, 5, 1211-1217, (2002) ·doi:10.1109/TNN.2002.1031953 [47] Bobrow，J.E。；Murray，W.，RLS识别随时间快速变化的参数的算法，电气和电子工程师协会, 38, 2, 351-354, (1993) ·Zbl 0775.93296号 ·数字对象标识代码：10.1109/9.250491 [48] Yu，D.L。；戈姆，J.B。；Williams，D.，训练RBF网络的递归正交最小二乘算法，神经处理字母, 5, 3, 167-176, (1997) ·doi:10.1023/A:1009622226531 [49] 戈姆，J.B。；Yu，D.L.，用递归正交最小二乘训练选择径向基函数网络中心，IEEE神经网络汇刊，11，2306-314，（2000年）·数字对象标识代码：10.1109/72.839002 [50] Akaike，H.，为预测拟合自回归模型，统计数学研究所年鉴, 21, 243-247, (1969) ·Zbl 0202.17301号 ·doi:10.1007/BF02532251 [51] Wettschereck，D。；Dietterich，T。；穆迪，J.E。；Hanson，S.J。；Lippmann，R.P.，通过学习中心位置提高径向基函数网络的性能，神经信息处理系统研究进展（1992年），美国加利福尼亚州圣马特奥市摩根考夫曼 [52] Gorinevsky，D.，参数非线性最小二乘优化方法及其在任务级学习控制中的应用，电气和电子工程师协会, 42, 7, 912-927, (1997) ·Zbl 0885.90119号 ·doi:10.1109/9.599970 [53] McLoone，S。；布朗，医学博士。；欧文，G。；Lightbody，G.，前馈神经网络的混合线性/非线性训练算法，IEEE神经网络汇刊, 9, 4, 669-684, (1998) ·数字对象标识代码：10.1109/72.701180 [54] 彭，H。；Ozaki，T。；Haggan-Ozaki，V。；Toyoda，Y.，径向基函数型模型的参数优化方法，IEEE神经网络汇刊, 14, 2, 432-438, (2003) ·doi:10.1109/TNN.2003.809395 [55] Simon，D.，使用扩展卡尔曼滤波器训练径向基神经网络，神经计算, 48, 455-475, (2002) ·Zbl 1006.68797号 ·doi:10.1016/S0925-2312（01）00611-7 [56] Ciociu，I.B.，使用双扩展卡尔曼滤波器进行RBF网络训练，神经计算, 48, 609-622, (2002) ·Zbl 1006.68788号 ·doi:10.1016/S0925-2312（01）00631-2 [57] 瓦基尔·巴赫米什，麻省理工。；Pavešić，N.，用选择性反向传播训练RBF网络，神经计算, 62, 1-4, 39-64, (2004) ·doi:10.1016/j.neucom.2003.11.011 [58] Vakil Baghmisheh，麻省理工学院。；Pavešić，N.，快速简化模糊ARTMAP网络，神经处理信件, 17, 3, 273-316, (2003) ·doi:10.1023/A:1026004816362 [59] Karayiannis，N.B。；Xiong，Y.，训练能够识别数据分类中不确定性的重组径向基函数神经网络，IEEE神经网络汇刊, 17, 5, 1222-1233, (2006) ·doi:10.1109/TNN.2006.877538 [60] 罗伊，A。；Govil，S。；Miranda，R.，为分类问题生成类径向基函数（RBF）网络的算法，神经网络, 8, 2, 179-201, (1995) ·doi:10.1016/0893-6080（94）00064-S [61] 海斯，M。；Kampl，S.，无乘法径向基函数网络，IEEE神经网络汇刊, 7, 6, 1461-1464, (1996) ·doi:10.1109/72.548173 [62] Dempster，A.P。；莱尔德，新墨西哥州。；Rubin，D.B.，通过EM算法从不完整数据中获得最大似然，英国皇家统计学会杂志。B.系列方法，39，1，1-38，（1977年）·Zbl 0364.62022号 [63] Lázaro，M。；圣塔玛利亚，I。；Pantaleón，C.，基于EM的RBF网络新训练算法，神经网络, 16, 1, 69-77, (2003) ·doi:10.1016/S0893-6080（02）00215-0 [64] 兰加里，R。；Wang，L。；Yen，J.，径向基函数网络，回归权重和期望最大化算法，IEEE系统、人与控制论汇刊A部分, 27, 5, 613-623, (1997) ·doi:10.1109/3468.618260 [65] 乌克兰，A。；海金，S。；Chen，C.H.，一种基于交互信息的学习策略及其在雷达中的应用，模糊逻辑和神经网络手册，12.3-12.26，（1996），麦格劳-希尔，美国纽约州纽约市 [66] Tipping，M.E。；Lowe，D.，阴影目标：基于径向基函数的地形投影新算法，神经计算, 19, 1-3, 211-222, (1998) ·doi:10.1016/S0925-2312（97）00066-0 [67] András，P.，正交RBF神经网络近似，神经处理信件, 9, 2, 141-151, (1999) ·doi:10.1023/A:1018621308457 [68] Specht，D.F.，概率神经网络，神经网络, 3, 1, 109-118, (1990) ·doi:10.1016/0893-6080（90）90049-Q [69] Titsias，M.K。；Likas，A.C.，类条件密度估计的共享核模型，IEEE神经网络汇刊, 12, 5, 987-997, (2001) ·doi:10.1109/72.950129 [70] 君士坦丁堡，C。；Likas，A.，概率RBF网络的增量训练方法，IEEE神经网络汇刊, 17, 4, 966-974, (2006) ·doi:10.1109/TNN.2006.875982 [71] 黄，G.B。；朱庆云。；Siew，C.K.，《极限学习机器：理论与应用》，神经计算，70，1-3489-501，（2006）·doi:10.1016/j.neucom.2005.12.126 [72] 黄，G.B。；朱庆云。；毛泽东。；Siew，C.K。；萨拉昌德兰，P。；Sundararajan，N.，可以直接训练阈值网络吗？，IEEE电路与系统汇刊II, 53, 3, 187-191, (2006) ·doi:10.1109/TCSII.2005.857540 [73] 纽约州梁市。；黄，G.B。；萨拉昌德兰，P。；Sundararajan，N.，前馈网络的快速准确在线顺序学习算法，IEEE神经网络汇刊, 17, 6, 1411-1423, (2006) ·doi:10.10109/TNN.2006.880583 [74] 王晓霞。；陈，S。；Brown，D.J.，《构造简约广义高斯核回归模型的方法》，神经计算, 62, 1-4, 441-457, (2004) ·doi:10.1016/j.neucom.2004.06.003 [75] 费尔曼，S.E。；Lebiere，C。；Touretzky，D.S.，级联相关学习架构，神经信息处理系统研究进展，2524-532，（1990），美国加利福尼亚州圣马特奥市摩根考夫曼 [76] Lehtokangas，M。；萨里宁，J。；Kaski，K.，使用级联相关算法对径向基函数网络进行加速训练，神经计算, 9, 2, 207-213, (1995) ·doi:10.1016/0925-2312（95）00074-G [77] 石，D。；高杰。；Yeung，D.S。；陈，F。；陶菲克，A.Y。；Goodwin，S.D.，《通过灵敏度分析进行径向基函数网络修剪》，《加拿大智能计算研究学会第17届会议论文集》，《人工智能进展》，斯普林格出版社 [78] 郭，T.Y。；Yeung，D.Y.，回归问题前馈神经网络中结构学习的构造算法，IEEE神经网络汇刊, 8, 3, 630-645, (1997) ·doi:10.1109/72.572102 [79] Karayiannis，N.B。；Mi，G.W.，成长径向基神经网络：将有监督和无监督学习与网络成长技术相结合，IEEE神经网络汇刊, 8, 6, 1492-1506, (1997) ·doi:10.1009/72461471 [80] 埃斯波西托，A。；马里纳罗，M。；Oricchio，D。；Scarpetta，S.，用基于增长神经RBF的算法逼近连续和不连续映射，神经网络, 13, 6, 651-665, (2000) ·doi:10.1016/S0893-6080（00）00035-6 [81] 北卡罗来纳州博尔盖塞。；Ferrari，S.，分层RBF网络和局部参数估计，神经计算, 19, 1-3, 259-283, (1998) ·doi:10.1016/S0925-2312（97）00094-5 [82] 法拉利，S。；Maggioni，M。；Borghese，N.A.，多层径向基函数网络的多尺度近似，IEEE神经网络汇刊, 15, 1, 178-188, (2004) ·doi:10.1109/TNN.2003.811355 [83] Berthold，M。R。；戴蒙德·J。；Tesauro，G。；Touretzky，D.S。；Leen，T.，通过动态衰减调整提高RBF网络的性能，神经信息处理系统的进展（1995），麻省理工学院出版社，美国纽约州纽约市 [84] 赖利，D.L。；库珀，L.N。；Elbaum，C.，类别学习的神经模型，生物控制论, 45, 1, 35-41, (1982) ·doi:10.1007/BF00387211 [85] 弗里茨克，B。；Cowan，J.D。；Tesauro，G。；Alspector，J.，用生长细胞结构监督学习，神经信息处理系统研究进展，6，255-262，（1994），摩根考夫曼，美国加利福尼亚州圣马特奥 [86] Fritzke，B.，增量RBF网络快速学习，神经处理信件, 1, 1, 2-5, (1994) ·doi:10.1007/BF02312392 [87] 朱，Q。；蔡，Y。；Liu，L.，RBF网络的全局学习算法，神经网络, 12, 3, 527-540, (1999) ·doi:10.1016/S0893-6080（98）00146-4 [88] Platt，J.，用于函数插值的资源分配网络，神经计算, 3, 2, 213-225, (1991) ·doi:10.1162/neco.1991.3.2.213 [89] 维德罗，B。；Hoff，M.E.，自适应开关电路，IRE Eastern Electronic Show&Convention（WESCON1960），Convention Record [90] 华莱士，M。；Tsapatsoulis，N。；Kollias，S.，资源分配RBF网络的智能初始化，神经网络, 18, 2, 117-122, (2005) ·doi:10.1016/j.neunet.2004.11.005 [91] 卡迪尔卡曼纳坦，V。；Niranjan，M.，神经网络序贯学习的函数估计方法，神经计算, 5, 6, 954-975, (1993) ·doi:10.1162/neco.1993.5.6.954 [92] Kadirkamanathan，V.，基于统计推断的RBF网络增长准则，IEEE车间神经网络信号处理会议记录 [93] 英伟，L。；北Sundararajan。；Sarathandran，P.，使用最小径向基函数神经网络进行函数逼近的顺序学习方案，神经计算, 9, 2, 461-478, (1997) ·Zbl 1067.68586号 ·doi:10.1162/neco.1997.9.2.461 [94] 英伟，L。；Sundararajan，N。；Sarathandran，P.，序列最小径向基函数（RBF）神经网络学习算法的性能评估，IEEE神经网络汇刊, 9, 2, 308-318, (1998) ·doi:10.1109/72.661125 [95] 罗斯帕尔，R。；科斯卡，M。；Farkaš，I.，利用资源分配RBF网络预测混沌时间序列，神经处理信件, 7, 3, 185-197, (1998) ·doi:10.1023/A:1009653802070 [96] Salmerón，M。；奥尔特加，J。；Puntonet，C.G。；Prieto，A.，使用正交技术改进的RAN序列预测，神经计算, 41, 153-172, (2001) ·Zbl 0995.68087号 ·doi:10.1016/S0925-2312（00）00363-5 [97] 托多罗维奇，B。；Stanković，M.，径向基函数网络的顺序增长和修剪，国际神经网络联合会议论文集（IJCNN’01） [98] 黄，G.B。；萨拉昌德兰，P。；Sundararajan，N.，用于生长和修剪RBF（GAP-RBF）网络的高效顺序学习算法，IEEE系统、人与控制论汇刊，B部分, 34, 6, 2284-2292, (2004) ·doi:10.1109/TSMCB.2004.834428 [99] 黄，G.B。；萨拉昌德兰，P。；Sundararajan，N.，用于函数逼近的广义增长和修剪RBF（GGAP-RBF）神经网络，IEEE神经网络汇刊, 16, 1, 57-67, (2005) ·doi:10.1109/TNN.2004.836241 [100] 里德米勒，M。；Braun，H.，《快速反向传播学习的直接自适应方法：RPROP算法》，IEEE神经网络国际会议论文集·doi:10.1016/j.neucom.2004.11.033 [101] Hassibi，B。；斯托克·D·G。；Wolff，G.J.，最佳脑外科医生和一般网络修剪，IEEE神经网络国际会议论文集 [102] 乐村，Y。；Denker，J.S。；索拉，S.A。；Touretzky，D.S.，最佳脑损伤，神经信息处理系统研究进展，2598-605，（1990），美国加利福尼亚州圣马特奥市摩根考夫曼 [103] Jankowski，N。；Kadirkamanathan，V.，类RBF神经网络中生长和修剪的统计控制，第三届神经网络会议论文集及其应用 [104] 亚历山大（Alexandridis），A。；Sarimveis，H。；Bafas，G.，RBF网络在线结构和参数自适应的新算法，神经网络, 16, 7, 1003-1017, (2003) ·doi:10.1016/S0893-6080（03）00052-2 [105] Paetz，J.，通过动态衰减调整减少径向基函数网络中的神经元数量，神经计算, 62, 1-4, 79-91, (2004) ·doi:10.1016/j.neucom.2003.12004 [106] Oliveira，A.L。；梅洛，B.J。；Meira，S.R.，通过选择性剪枝和模型选择改进RBF网络的构造性训练，神经计算, 64, 1-4, 537-541, (2005) ·doi:10.1016/j.neucom.2004.11.027 [107] 里奇，E。；Perfetti，R.，具有动态衰减调整的径向基函数网络的改进剪枝策略，神经计算, 69, 13-15, 1728-1732, (2006) ·doi:10.1016/j.neucom.2006.01.004 [108] Mc Loone，S。；Irwin，G.，使用正则化改进神经网络训练解决方案，神经计算, 37, 71-90, (2001) ·Zbl 0963.68654号 ·doi:10.1016/S0925-2312（00）00314-3 [109] Leung，C.S。；Sum，J.P.F.，RBF网络的容错正则化器，IEEE神经网络汇刊, 19, 3, 493-507, (2008) ·doi:10.1109/TNN.2007.912320 [110] 总和，J.P.F。；Leung，C.S。；Ho，K.I.J.，关于处理乘性权重噪声的学习算法的目标函数、正则化器和预测误差，IEEE神经网络汇刊, 20, 1, 124-138, (2009) ·doi:10.1109/TNN.2008.2005596 [111] Leonardis，A。；Bischof，H.，基于MDL的RBF网络高效构建，神经网络, 11, 5, 963-973, (1998) ·doi:10.1016/S0893-6080（98）00051-3 [112] Rissanen，J.，《通过最短数据描述建模》，Automatica公司，14，5，465-471，（1978年）·Zbl 0418.93079号 ·doi:10.1016/0005-1098（78）90005-5 [113] 穆萨维，麻省理工。；艾哈迈德·W。；Chan，K.H。；Faris，K.B。；Hummels，D.M.，关于径向基函数分类器的训练，神经网络, 5, 4, 595-603, (1992) ·doi:10.1016/S0893-6080（05）80038-3 [114] Ghodsi，A。；Schuurmans，D.，RBF网络的自动基选择技术，神经网络, 16, 5-6, 809-816, (2003) ·doi:10.1016/S0893-6080（03）00118-7 [115] Schwarz，G.，估算模型的维数，统计年鉴, 6, 2, 461-464, (1978) ·Zbl 0379.62005年 ·doi:10.1214/aos/1176344136 [116] Niyogi，P。；Girosi，F.，散射噪声数据函数逼近的推广界，计算数学进展, 10, 1, 51-80, (1999) ·Zbl 1053.65506号 ·doi:10.1023/A:1018966213079 [117] Niyogi，P.等人。；Girosi，F.，关于径向基函数的泛化误差、假设复杂性和样本复杂性之间的关系，神经计算, 8, 4, 819-842, (1996) ·doi:10.1162/neco.1996.8.4.819 [118] Barron，A.R.，σ函数叠加的通用近似界，电气和电子工程师协会, 39, 3, 930-945, (1993) ·Zbl 0818.68126号 ·doi:10.1109/18.256500 [119] Krzyzak，A。；Linder，T.，径向基函数网络和函数学习中的复杂性正则化，IEEE神经网络汇刊, 9, 2, 247-256, (1998) ·数字对象标识代码：10.1109/72.661120 [120] 李毅。；Deng，J.M.，WAV-归一化径向基函数网络的权重自适应算法，IEEE电子、电路和系统国际会议论文集 [121] Jang，J.S.R。；Sun，C.T.，径向基函数网络和模糊推理系统之间的函数等价，IEEE神经网络汇刊, 4, 1, 156-159, (1993) ·doi:10.1109/72.182710 [122] Bugmann，G.，归一化高斯径向基函数网络，神经计算, 20, 1-3, 97-110, (1998) ·doi:10.1016/S0925-2312（98）00027-7 [123] Nowlan，S.J。；Touretzky，D.S.，最大似然竞争学习，神经信息处理系统研究进展，2574-582，（1990），摩根考夫曼，波士顿，马萨诸塞州，美国 [124] Benaim，M.，《关于归一化高斯单位的函数逼近》，神经计算, 6, 2, 319-333, (1994) ·doi:10.1162/neco.1996.2.319 [125] Jang，J.S.R.，ANFIS：基于自适应网络的模糊推理系统，IEEE系统、人与控制论汇刊, 23, 3, 665-685, (1993) ·数字对象标识代码：10.1109/21.256541 [126] 杨，F。；Paindavoine，M.，RBF神经网络在嵌入式系统上的实现：实时人脸跟踪和身份验证，IEEE神经网络汇刊, 14, 5, 1162-1175, (2003) ·doi:10.1109/TNN.2003.816035 [127] 洛雷托，G。；Garrido，R.，机器人操纵器的稳定神经视觉伺服，IEEE神经网络汇刊, 17, 4, 953-965, (2006) ·doi:10.1109/TNN.2006.875993 [128] 陈，S。；Wolfgang，A。；哈里斯·C·J。；Hanzo，L.，用于多天线辅助系统中非线性检测的对称RBF分类器，IEEE神经网络汇刊, 19, 5, 737-745, (2008) ·doi:10.1109/TNN.2007.911745 [129] 建平，D。；Sundararajan，N。；Sarathandran，P.，使用复值最小径向基函数神经网络的通信信道均衡，IEEE神经网络汇刊, 13, 3, 687-697, (2002) ·doi:10.1109/TNN.2002.1000133 [130] 陈，S。；McLaughlin，S。；Mulgrow，B.，复杂值径向基本函数网络，第一部分：网络结构和学习算法，信号处理, 35, 1, 19-31, (1994) ·Zbl 0825.93995 ·doi:10.1016/0165-1684（94）90187-2 [131] Leung，C.S。；Wong，T.T。；林先生。；Choy，K.H.，基于RBF的图像重照明压缩方法，IEEE图像处理汇刊, 15, 4, 1031-1041, (2006) ·doi:10.1109/TIP.2005.863936 [132] Cho，S.Y。；Chow，T.W.S.，用于开发三维形状重建模型的神经计算方法，IEEE神经网络汇刊, 12, 5, 1204-1214, (2001) ·数字对象标识代码：10.1109/72.950148 [133] Tsai，Y.T。；Shih，Z.C.，使用球面径向基函数和簇张量近似的全频预计算辐射传输，ACM图形事务, 25, 3, 967-976, (2006) [134] 拉加里斯，I.E。；利卡斯，A.C。；Papageorgiou，D.G.，不规则边界边值问题的神经网络方法，IEEE神经网络汇刊, 11, 5, 1041-1049, (2000) ·数字对象标识代码：10.1109/72.870037 [135] Jenison，R.L。；Fissell，K.，用于模拟听觉空间的球基函数神经网络，神经计算, 8, 1, 115-128, (1996) ·doi:10.1162/neco.1996.8.1.115 [136] Lam，P.M。；Ho，T.Y。；Leung，C.S。；Wong，T.T.，具有多尺度球面径向基函数的全频照明，IEEE可视化和计算机图形汇刊，16，1，43-56，（2010）·doi:10.1109/TVCG.2009.56 [137] Ho，T.Y。；Leung，C.S。；Lam，P.M。；Wong，T.T.，基于RBF的照明可调图像的高效重照明，IEEE神经网络汇刊, 20, 12, 1987-1993, (2009) ·doi:10.1109/TNN.2009.2032765 [138] Sheta，A.F。；De Jong，K.，使用GA调谐径向基函数进行时间序列预测，信息科学, 133, 3-4, 221-228, (2001) ·Zbl 0981.68725号 ·doi:10.1016/S0020-0255（01）00086-X [139] Vesin，J.M.，基于径向基函数展开的振幅相关自回归模型，IEEE声学、语音和信号处理国际会议论文集（ICASSP’93） [140] Berthold，M.R.，用于音素识别的时延径向基函数网络，IEEE神经网络国际会议论文集 [141] 威贝尔，A。；Hanazawa，T。；辛顿，G。；Shikano，K。；Lang，K.J.，利用时滞神经网络进行音素识别，IEEE声学、语音和信号处理汇刊, 37, 3, 328-339, (1989) ·doi:10.1009/29.21701 [142] Billings，S.A。；Hong，X.，非线性时间序列预测的双正交径向基函数网络，神经网络, 11, 3, 479-493, (1998) ·doi:10.1016/S0893-6080（97）00132-9 [143] 陈，S。；Billings，S.A。；Luo，W.，正交最小二乘法及其在非线性系统辨识中的应用，国际控制杂志, 50, 5, 1873-1896, (1989) ·Zbl 0686.93093号 ·网址：10.1080/00207178908953472 [144] Yu，D.L.，高斯RBFN模型自适应的局部化遗忘方法，神经处理信件, 20, 125-135, (2004) ·doi:10.1007/s11063-004-0636-5 [145] Frasconi，P。；Cori，M。；Maggini，M。；Soda，G.，有限状态自动机在递归径向基函数网络中的表示，机器学习, 23, 1, 5-32, (1996) ·兹比尔0849.68082 [146] 托多罗维奇，B。；斯坦科维奇，M。；莫拉加，C。；Dorronsoro，J.R.，非线性系统辨识中扩展卡尔曼滤波训练的递归径向基函数网络，《人工神经网络国际会议论文集》（ICANN’95）·Zbl 1013.68902号 [147] Ryad，Z。；丹尼尔，R。；Noureddine，Z.，径向基函数网络中时间的RRBF动态表示，第八届IEEE国际会议论文集新兴技术和工厂自动化（ETFA’01） [148] Lee，K.Y。；Jung，S.，扩展复数RBF及其在存在同信道干扰的M-QAM中的应用，电子信件, 35, 1, 17-19, (1999) ·doi:10.1049/el:19990020 [149] Cha，I。；Kassam，S.A.，使用自适应复数径向基函数网络的信道均衡，IEEE通信选定领域杂志，13，1122-131，（1995年）·doi:10.1109/49.363139 [150] 李，M.B。；黄，G.B。；萨拉昌德兰，P。；Sundararajan，N.，完全复杂的极限学习机器，神经计算, 68, 1-4, 306-314, (2005) ·doi:10.1016/j.neucom.2005.03.002 [151] 陈，S。；X.洪。；哈里斯·C·J。；Hanzo，L.，全复值径向基函数网络：正交最小二乘回归和分类，神经计算, 71, 16-18, 3421-3433, (2008) ·doi:10.1016/j.neucom.2007.12.003 [152] 韦伯，A.R。；Lowe，D.，多层分类器网络的优化内部表示执行非线性判别分析，神经网络, 3, 4, 367-375, (1990) ·doi:10.1016/0893-6080（90）90019-H [153] 维德罗，B。；Lehr，M.A.，自适应神经网络30年：感知器、madaline和反向传播，IEEE会议记录, 78, 9, 1415-1442, (1990) ·数字对象标识代码：10.1109/5.58323 [154] 杜，K.L。；黄，X。；王，M。；张，B。；Hu，J.，销钉孔动态装配过程的机器人阻抗学习，国际机器人与自动化，15，3107-118，（2000） [155] B.科斯科。，信号处理的神经网络，（1992），普伦蒂斯·霍尔，恩格尔伍德悬崖，新泽西州，美国 [156] Fabri，S。；Kadirkamanathan，V.，非线性系统稳定自适应控制的动态结构神经网络，IEEE神经网络汇刊, 7, 5, 1151-1167, (1996) ·数字对象标识代码：10.1109/72.536311 [157] Lehtokangas，M。；Saarinen，J.，基于质心的多层感知器网络，神经处理信件, 7, 2, 101-106, (1998) ·doi:10.1023/A:1009636529053 [158] Dorffner，G.，MLP和RBFN的统一框架：引入圆锥曲线函数网络，控制论与系统，25，4511-554，（1994）·Zbl 0939.68751号 ·网址：10.1080/01969729408902340 [159] 科恩，S。；Intrator，N.，基于投影和径向基函数的混合体系结构：初始值和全局优化，模式分析与应用，5113-120，（2002）·Zbl 1024.68091号 ·doi:10.1007/s100440200010 [160] 楔子，D。；英格拉姆·D。；麦克莱恩，D。；明厄姆，C。；Bandar，Z.，关于函数逼近的全局-局部人工神经网络，IEEE神经网络汇刊, 17, 4, 942-952, (2006) ·doi:10.1109/TNN.2006.875972 [161] 霍尔顿，S.B。；Rayner，P.J.W.，广义化与PAC学习：广义单层网络类的一些新结果，IEEE神经网络汇刊, 6, 2, 368-380, (1995) ·doi:10.1109/72.363472 [162] 阿登尼，K.M。；Korenberg，M.J.，基于MDL的广义单层网络训练的迭代快速正交搜索算法，神经网络, 13, 7, 787-799, (2000) ·doi:10.1016/S0893-6080（00）00049-6 [163] 张，Q。；Benveniste，A.，小波网络，IEEE神经网络汇刊, 3, 6, 889-898, (1992) ·数字对象标识代码：10.1109/72.165591 [164] 张杰。；沃尔特·G·G。；苗，Y。；Lee，W.N.W.，用于函数学习的小波神经网络，IEEE信号处理汇刊, 43, 6, 1485-1497, (1995) ·doi:10.1109/78.388860 [165] Li，T.-H.，球面小波对球面数据的多尺度表示和分析，SIAM科学计算杂志, 21, 3, 924-953, (1999) ·Zbl 1047.62029号 ·doi:10.1137/S1064827598341463 [166] Rayner，P.J.W。；Lynch，M.R.，基于非线性自适应滤波器的新连接主义模型，《声学、语音和信号处理国际会议论文集》（ICASSP’89） [167] P.J.Huber。，稳健的统计，概率与数理统计中的威利级数，ix+308，（1981），John Wiley&Sons，美国纽约州纽约市 [168] Sanchez，A.V.D.，RBF网络学习方法的鲁棒化，神经计算, 9, 1, 85-94, (1995) ·doi:10.1016/0925-2312（95）00000-V [169] Chuang，C.C。；Jeng，J.T。；Lin，P.T.，用于具有异常值的函数逼近的退火鲁棒径向基函数网络，神经计算, 56, 1-4, 123-139, (2004) ·doi:10.1016/S0925-2312（03）00436-3 [170] Watkins，S.S。；Chau，P.M.，用模拟VLSI电路实现的径向基函数神经计算机，神经网络国际联合会议论文集 [171] 丘吉尔，S。；A.F.穆雷。；Reekie，H.M.，径向基函数网络的可编程模拟VLSI，电子信件, 29, 18, 1603-1605, (1993) ·doi:10.1049/el:19931068 [172] 梅耶斯，D.J。；A.F.穆雷。；Reekie，H.M.，RBF神经网络的脉冲VLSI，第五届IEEE神经网络和模糊系统微电子国际会议论文集 [173] 塞维克巴斯，I.C。；Ogrenci，A.S。；邓达尔，G。；Balkir，S.，GRBF（高斯径向基函数）网络的VLSI实现，IEEE电路和系统国际研讨会论文集（IEEE ISCAS’00） [174] 马费佐尼，P。；Gubian，P.，神经计算用径向函数硬件生成器的VLSI设计，第四届IEEE神经网络和模糊系统微电子国际会议论文集 [175] 阿伯布尔，M。；Mehrez，H.，RBF-DDA神经网络的架构和设计方法，IEEE电路和系统国际研讨会论文集（IEEE ISCAS’98） 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。