Matlab中的rbf和bp在编程上有什么区别
Matlab中的rbf和bp在编程上有激活函数的区别：rbf使用径向基函数作为激活函数；bp使用Sigmoid作为激活函数。此外，rbf和bp还存在训练过程的区别，前者分为无监督学习和监督学习两个阶段；后者分为三个阶段，即前向传播阶段、反向传播阶段、权值和阈值的更新阶段。
1.激活函数的区别
rbf神经网络的隐节点采用输入模式与中心向量的距离（如欧式距离）作为函数的自变量，并使用径向基函数（如Gaussian函数）作为激活函数。神经元的输入离径向基函数中心越远，神经元的激活程度就越低。rbf网络的输出与数据中心离输入模式较劲的“局部”隐节点关系较大，rbf神经网络因此具有“局部映射”特性。
bp神经网络的隐节点采用输入模式与权向量的内积作为激活函数的自变量，而激活函数采用Sigmoid函数。各隐节点对bp网络的输出具有同等地位的影响，因此bp神经网络是对非线性映射的全局逼近。
2.训练过程的区别
rbf神经网络的训练过程可以分为两个阶段：名列前茅阶段为无监督学习，从样本数据中选择记忆样本/中心点；可以使用聚类算法，也可以选择随机给定的方式；第二阶段为监督学习，主要计算样本经过RBF转换后，和输出之间的关系/权重；可以使用BP算法计算、也可以使用简单的数学公式计算。
bp神经网络的训练过程分为三个阶段：首先是信号的前向传播阶段；然后是误差的反向传播阶段；最后是权值和阈值的更新阶段。如此反复迭代，在大于最大迭代次数或者小于目标误差时停止迭代，所得到的就是训练好的BP神经网络模型。
延伸阅读
神经网络常见网络结构有哪些
神经网络是由大量的神经元互联而构成的网络。根据网络中神经元的互联方式，常见网络结构主要可以分为下面３类：
1.前馈神经网络
前馈网络也称前向网络。这种网络只在训练过程会有反馈信号，而在分类过程中数据只能向前传送，直到到达输出层，层间没有向后的反馈信号，因此被称为前馈网络。感知机( perceptron)与BP神经网络就属于前馈网络。
2.反馈神经网络
反馈型神经网络是一种从输出到输入具有反馈连接的神经网络，其结构比前馈网络要复杂得多。典型的反馈型神经网络有：Elman网络和Hopfield网络。
3.自组织网络
自组织神经网络是一种无导师学习网络。它通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构。
