rbf神經(jīng)網(wǎng)絡(luò)即徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radical Basis Function）。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一種高效的前饋式神經(jīng)網(wǎng)絡(luò)，它具有其他前向網(wǎng)絡(luò)所不具有的最佳逼近性能和全局最優(yōu)特性，并且結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練速度快。同時(shí)，它也是一種可以廣泛應(yīng)用于模式識(shí)別、非線性函數(shù)逼近等領(lǐng)域的神經(jīng)網(wǎng)絡(luò)模型。

      RBF網(wǎng)絡(luò)具有很好的通用性。已經(jīng)證明，只要有足夠多的隱層神經(jīng)元，RBF網(wǎng)絡(luò)能以任意精度近似任何連續(xù)函數(shù)。更重要的是， RBF網(wǎng)絡(luò)克服了傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)的很多缺點(diǎn)，其訓(xùn)練速度相當(dāng)快，并且在訓(xùn)練時(shí)不會(huì)發(fā)生震蕩和陷入局部極小。但是，在進(jìn)行測(cè)試時(shí)，RBF網(wǎng)絡(luò)的速度卻比較慢，這是由于待判別示例幾乎要與每個(gè)隱層神經(jīng)元的中心向量進(jìn)行比較才能得到結(jié)果。雖然可以通過對(duì)隱層神經(jīng)元進(jìn)行聚類來提高判別速度，但這樣就使得訓(xùn)練時(shí)間大為增加，從而失去了RBF網(wǎng)絡(luò)最基本的優(yōu)勢(shì)。另外，通過引入非線性優(yōu)化技術(shù)可以在一定程度上提高學(xué)習(xí)精度，但這同時(shí)也帶來了一些缺陷，如局部極小、訓(xùn)練時(shí)間長(zhǎng)等�，F(xiàn)今，人工智能技術(shù)突飛猛進(jìn)，RBF神經(jīng)網(wǎng)絡(luò)算法作為流傳較廣的算法之一，其徑向基神經(jīng)元結(jié)構(gòu)能夠快速實(shí)現(xiàn)函數(shù)逼近、數(shù)據(jù)聚類、模式分類、優(yōu)化計(jì)算等功能，因而廣泛應(yīng)用于金融領(lǐng)域研究之中。
      RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)運(yùn)算時(shí)需要確認(rèn)聚類中心點(diǎn)的位置及隱層至輸出層的權(quán)重。通常，選用K-means聚類算法或最小正交二乘法對(duì)數(shù)據(jù)大量的進(jìn)行訓(xùn)練得出聚類中心矩陣和權(quán)重矩陣。一般情況下，最小正交二乘法聚類中心點(diǎn)的位置是給定的，因此比較適合分布相對(duì)規(guī)律的數(shù)據(jù)。而K-means聚類算法則會(huì)自主選取聚類中心，進(jìn)行無監(jiān)督分類學(xué)習(xí)，從而完成空間映射關(guān)系。