1985年，Powell提出了多变量插值的径向基函数（RBF）方法。1988年Moody和Darken提出了一种神经网络结构，即RBF神经网络，属于前向神经网络类型，它能够以任意精度逼近任意连续函数，特别适合于解决分类问题。
RBF网络的结构与多层前向网络类似，它是一种三层前向网络。输入层由信号源结点组成，第二层为隐含层，隐单元数视所描述问题的需要而定，隐单元的变换函数是RBF，它是对中心点径向对称且衰减的非负非线性函数，第三层为输出层，它对输入模式的作用作出相应。从输入空间到隐含层空间的变换是非线性的，而从隐含层空间到输出层空间变换是线性的。
RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接。当RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。从总体上看，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。这样，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。这样网络的权就可由线性方程组直接解出，从而大大加快学习速度并避免局部极小问题。
RBF神经网络模型
径向基神经网络的激活函数采用径向基函数，通常定义为空间任一点到某一中心之间欧氏距离的单调函数。径向基神经网络的激活函数是以输入向量和权值向量之间的距离\(\Vert dist \Vert\) 为自变量的。径向神经网络的激活函数一般表达式为 \[R(\Vert dist \Vert) = e^{-\Vert dist \Vert^2}\]
随着权值和输入向量之间距离的减少，网络输出是递增的，当输入向量和权值向量一致时，神经元输出1。b为阈值，用于调整神经元的灵敏度。利用径向基神经元和线性神经元可以建立广义回归神经网络，该种神经网络适用于函数逼近方面的应用；径向基神经元和竞争神经元可以组件概率神经网络，此种神经网络适用于解决分类问题。输出层和隐含层所完成的任务是不同的，因而它们的学习策略也不相同。输出层是对线性权进行调整，采用的是线性优化策略，因而学习速度较快。而隐函数是对激活函数（格林函数或高斯函数，一般为高斯函数）的参数进行调整，采用的是非线性优化策略，因而学习速度较慢。
尽管RBF网络的输出是隐单元输出的线性加权和，学习速度加快，但并不等于径向基神经网络就可以取代其他前馈网络。这是因为径向神经网络很可能需要比BP网络多得多的隐含层神经元来完成工作。
RBF网络学习算法
RBF神经网络学习算法需要求解的参数有3个：基函数的中心、方差以及隐含层到输出层的权值。根据径向基函数中心选取方法的不同，RBF网络有多种学习方法。下面介绍自组织选取中心的RBF神经网络学习法。此方法由两个阶段组成：
- 自组织学习阶段，此阶段为无监督学习过程，求解隐含层基函数的中心与方差；
- 监督学习阶段，此阶段求解隐含层到输出层之间的权值。
径向基神经网络中常用的径向基函数是高斯函数，因此径向基神经网络的激活函数可表示为：\[R(x_p-c_i) = exp(-\frac{1}{2\sigma^2}\Vert x_p – c_i \Vert^2)\]
由此可得，径向基神经网络的结构可得到网络的输出为：\[y_j = \sum^h_{i=1}w_{ij}exp(-\frac{1}{2\sigma^2}\Vert x_p – c_i \Vert^2)\ j = 1,2,\cdots, n\]
其中\(x_p\) 为第p个输入样本。h为隐含层的结点数。
如果d是样本的期望输出值，那么基函数的方差可表示为：\[\sigma = \frac{1}{P}\sum^m_j\Vert d_j – y_jc_i \Vert^2\]
基于K-均值聚类方法求取基函数中心c
- 网络初始化 随机选取h个训练样本作为聚类中心\(c_i\)
- 将输入的训练样本集合按最近邻规则分组，按照\(x_p\) 与中心为 \(c_i\) 之间的欧式距离将\(x_p\) 分配到输入样本的各个聚类集合 \(\vartheta_p\) 之中。
- 重新调整聚类中心 计算各个聚类集合 \(\vartheta_p\) 中训练样本的平均值，即新的聚类中心 \(c_i\)， 如果新的聚类中心不再发生变化，所得到的 \(c_i\) 就是RBF神经网络最终的基函数中心，否则返回2进行下一轮求解
求解方差\(\sigma_i\)
该RBF神经网络的基函数为高斯函数，因此方差 \(\sigma_i\) 可由下式求解得出:\[\sigma_i = \frac{c_{max}}{\sqrt{2h}} \ \ \ i=1,2,\cdots,h\]
其中 \(c_{max}\) 是所选取中心之间的最大距离
计算隐含层和输出层之间的权值
用最小二乘法直接计算得到： \[w = exp(\frac{h}{c^2_{max}} \Vert x_p – c_i \Vert^2) \ \ \ \ \ p = 1,2,\cdots,P;i=1,2,\cdots, h\]
