Machine learning 径向基函数网络（RBF网络）

根据下面的链接，我不明白什么是“神经元i的中心向量”，换句话说，“RBF单元的中心也称为原型”

---

我需要您的帮助。

如果您继续阅读链接中的培训部分，它将解释什么是中心向量：

阅读上面的内容，我觉得你有你的样本集，x，从中你选择了许多中心向量-一个用于隐藏层中的每个神经元。广义上说，中心向量是样本数据中的聚类中心

如前所述，您可以使用无监督聚类算法（如k-means）在数据中找到n个聚类中心，其中n是您正在处理的隐藏层中的神经元数量。不同的层可能有更多或更少的神经元，因此相应地会有更多或更少的中心向量

---

然后，RBF通过每个样本之间的欧几里德距离的函数将每个样本x与每个中心向量相关联。

如果您继续阅读链接中的训练部分，它将解释中心向量是什么：

阅读上面的内容，我觉得你有你的样本集，x，从中你选择了许多中心向量-一个用于隐藏层中的每个神经元。广义上说，中心向量是样本数据中的聚类中心

如前所述，您可以使用无监督聚类算法（如k-means）在数据中找到n个聚类中心，其中n是您正在处理的隐藏层中的神经元数量。不同的层可能有更多或更少的神经元，因此相应地会有更多或更少的中心向量

---

然后，RBF将每个样本x通过它们之间的欧几里德距离的函数与每个中心向量相关联。

神经元的中心向量是RBF的中心。RBF只是一个点（本文中称为x）到中心（本文中称为ci）距离的函数。每个神经元都有自己的中心。

神经元的中心向量是RBF的中心。RBF只是一个点（本文中称为x）到中心（本文中称为ci）距离的函数。每个神经元都有自己的中枢。

我知道x对应于输入。但是如果我们认为在隐层和一个输入X中有3个单位。因此，最后一个连接到所有RBF单元。所以隐藏层中的每个单元都必须实现一个径向基函数，它对应于输入x和它自己的中心之间的欧几里德距离？如果我们认为这个中心是以特定的方式计算的，那么如何计算输入X呢？请给我一个帮助：）谢谢，这是提前的。@Liszt看到上面更新的答案-现在更清楚了吗？是的，现在非常清楚了。非常感谢您的解释：）我知道x对应于输入。但是如果我们认为在隐层和一个输入X中有3个单位。因此，最后一个连接到所有RBF单元。所以隐藏层中的每个单元都必须实现一个径向基函数，它对应于输入x和它自己的中心之间的欧几里德距离？如果我们认为这个中心是以特定的方式计算的，那么如何计算输入X呢？请给我一个帮助：）谢谢，这是提前的。@Liszt看到上面更新的答案-现在更清楚了吗？是的，现在非常清楚了。非常感谢您的解释：）