شبکه عصبی RBF چیست ؟
معماری شبکه :
شبکه های RBF معمولا شامل سه لایه هستن : لایه ی ورودی، لایه ی مخفی با یه تابع فعالیت RBF غیرخطی و لایه ی خروجی
ورودی می تونه به عنوان یه بردار از اعداد حقیقی مدل بشه و خروجی این شبکه یه تابع scalar از بردار ورودی هستش که به صورت زیر محاسبه میشه :
که N تعداد نرونهای لایه ی مخفی،
بردار مرکز نرون i و 
وزن نرون i در نرون خروجی خطی هستش.
آموزش :
شبکه های RBF معمولا به وسیله ی یک الگوریتم دو مرحله ای آموزش داده میشن. در مرحله ی اول، بردارهای مرکز برای توابع RBF در لایه ی مخفی انتخاب میشن. این مرحله رو میشه با چندین روش اجرا کرد : میشه مراکز رو به شکل تصادفی از برخی مجموعه مثالها نمونه برداری کرد، یا میشه از K-means clustring بهره برد.توجه داشته باشین که این مرحله بدون نظارته ( unsupervised).
مرحله ی دوم به سادگی با یک مدل خطی با ضرایب 
برای خروجی های لایه ی مخفی با توجه به تابع هدف، متناسب میشه.
یه سورس کد از شبکه عصبی RBF هم واستون قرار دادم ، میتونین از لینک زیر دانلود کنین :
اکثر ما موفقیت را قله ای دور از دسترس می بینیم و این گاهی باعث می شود هیچ تمایلی به سعی و تلاش از خود نشان ندهیم. چرا سختی بکشیم وقتی به هر حال این راه طی می شود و به پایان می رسد؟ این تصور از پیروزی اشتباه و مهلک است. اینشتین روز و شب تلاش کرد و بر کاستی ها و مسائل علم فیزیک غلبه کرد اما نه یک شبه! هدفی غایی در ذهن داشت و می دانست با هر گامی که به جلو بر می دارد یک قدم به آن چه در ذهنش دارد نزدیکتر می شود. کار کوچکی که در یک زمان محدود انجام می دهی شاید به نظر بزرگ و مهم نرسد اما بدان که در مقیاس بزرگتر حرکتی است کوچک در مسیری طولانی به سوی هدفی بزرگ !