<文档仅供查阅和简单了解，深入了解请关注神经网络之家发布的___神经网络教学视频___>
精确径向基神经网络在matlab中使用newrbe建立。这里小编不得不说，newrbe实际是newrb(径向基)神经网络的
特殊情况，newrbe的结构与newrb完全一样，只不过隐节点是固定个数（与样本个数相同），而newrb则会使用OLS算法逐个添加神经元，直到误差小于指定误差为止。即当newrb拥有与样本个数一样的神经元时，此时它就是newrbe。
为什么叫精确径向基神经网络？因为当径向基的隐节点个数与样本个数相同时，它对样本数据的预测误差将是0！
下面翻译matlab的doc文档给大家，以供更全面学习使用（为方便大家理解，本人作了些少改动）。
语法
net = newrbe(P,T,spread)
说明
精确径向基神经网络可以用于拟合函数。newrbe 非常快的设计出一个在样本上0错误的径向基神经网络。
net = newrbe(P,T,spread) 需要2或3个输入参数
| 入参 |
说明 |
| P |
R行Q列的输入矩阵，R个输入变量，Q个样本。 |
| T |
S行Q列的目标输出矩阵，S个输出变量，Q个样本。 |
| spread |
径向基函数的扩展系数（默认=1.0） |
并返回一个新的精确径向基神经网络。
spread越大，拟合出来的函数会更加平滑。但太大的spread会引起数值问题。
例子：
对于给定的输入P和目标T，设计一个精确径向基神经网络：
P = [1 2 3];
T = [2.0 4.1 5.9];
net = newrbe(P,T);
网络对于新输入的预测：
P = 1.5;
Y = sim(net,P);
算法：
newrbe 创建一个2层的神经网络。第一层拥有径向基神经元，并用dist来计算它的加权输入和用netprod来计算它的网络输入。第2层是线性神经元，用dotprod计算它的加权输入和netsum计算网络输入，两层都有阈值。
newrbe 将第一层的权重设置为P',第一层的阈值全设为0.8326/spread，使权重输入为+/–spread时，径向基的值为0.5。
第二层的权重 IW{2,1} 和阈值 b{2}这样求得：先拟合第一层的输出A{1}，然后对下面的表达式求解：
W{2,1} b{2}] * [A{1}; ones] = T
=======<原创文章，转载请说明来自神经网络之家www.nnetinfo.com> =============
