因为课题需要，从入门到放弃式学习一下RBF神经网络，初衷是用其良好的未知函数逼近性能对未知干扰进行逼近，然后在控制律中进行补偿，不知是否可行，经过查阅相关文献，此方法应该是可以解决未知干扰项的逼近问题的；
一、简单了解一下，入门
RBF神经网络也是BP神经网络的一种，其区别在于RBF的隐含层和输入层之间的连接权值不是随机确定的，而是有一种固定算式，应该称其为径向基函数。输入到隐含层是非线性的，但是隐含层到输出又是线性的
什么是径向基函数
1985年，Powell提出了多变量插值的径向基函数（RBF）方法。径向基函数是一个取值仅仅依赖于离原点距离的实值函数，也就是Φ（x）=Φ(‖x‖),或者还可以是到任意一点c的距离，c点称为中心点，也就是Φ（x，c）=Φ(‖x-c‖)。任意一个满足Φ（x）=Φ(‖x‖)特性的函数Φ都叫做径向基函数，标准的一般使用欧氏距离（也叫做欧式径向基函数），尽管其他距离函数也是可以的。最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^2/(2*σ)^2) } 其中x_c为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。https://www.cnblogs.com/pinking/p/9349695.html
简单来说，就是某个测试集样本p和某个训练集样本越接近，即欧式距离越小，那么在RBF作用后输出的值就越大。
实际上RBF是一个两层的神经网络，隐层是使用RBF作为激活函数的神经元，输出层采用线性函数的神经元，做一个线性分类。
所谓计算欧氏距离，实际上是将数据转化到高维空间，认为某个高维空间能够使得诗句在这个空间是线性可分的，，因此输出层是线性的。
中间隐含层的权值，首先第一层的权值设为输入矩阵P的转置，而第二层的权值和偏置是要通过输入参数T、以及第一层的输出来进行反推的。
其具体表达式为：
基本思想是：将数据转化到高维空间，使其在高维空间线性可分
Lazy RBF将训练集的每一个数据都当成是中心向量，但是如果训练集太大，核矩阵也会很大
就暂时学到这吧，后续还会继续更新
