रैडियल बेसिस फंक्शन नेटवर्क

एक रेडियल आधार फलन नेटवर्क (RBF नेटवर्क) एक कृत्रिम तंत्रिका नेटवर्क है जो सक्रियण फलन के रूप में रेडियल आधार फलनों का उपयोग करता है। नेटवर्क का आउटपुट इनपुट और न्यूरॉन मापदंडों के रेडियल आधार फलनों का एक रैखिक संयोजन होता है। RBF नेटवर्क के कई उपयोग हैं, जिनमें फलन सन्निकटन, समय श्रृंखला पूर्वानुमान, वर्गीकरण, और प्रणाली नियंत्रण शामिल हैं। इन्हें पहली बार 1988 में ब्रूमहेड और लोवे द्वारा लिखे गए एक पेपर में प्रतिपादित किया गया था, जो दोनों रॉयल सिग्नल्स एंड रडार एस्टेब्लिशमेंट के शोधकर्ता थे।

RBF नेटवर्क एक प्रकार के Neural network हैं जो अधिक सामान्य फीडफॉरवर्ड नेटवर्क से अपनी छिपी परत संरचना और प्रशिक्षण दृष्टिकोण में भिन्न होते हैं। वे Machine learning विधियों जैसे कर्नेल प्रतिगमन और गाऊसी प्रक्रिया मॉडल से निकटता से संबंधित हैं, और इन्हें Artificial intelligence से लेकर नियंत्रण इंजीनियरिंग तक के क्षेत्रों में लागू किया गया है।

नेटवर्क वास्तुकला

RBF नेटवर्क में आमतौर पर तीन परतें होती हैं: एक इनपुट परत, एक छिपी परत जिसमें गैर-रैखिक रेडियल आधार फलन सक्रियण होता है, और एक रैखिक आउटपुट परत। इनपुट वास्तविक संख्याओं का एक सदिश है, और आउटपुट उस इनपुट का एक अदिश फलन है। आउटपुट की गणना रेडियल आधार फलनों के भारित योग के रूप में की जाती है, जिनमें से प्रत्येक इनपुट स्थान में एक विशिष्ट बिंदु पर केंद्रित होता है।

प्रत्येक छिपे न्यूरॉन में एक केंद्र सदिश और एक चौड़ाई पैरामीटर होता है। एक न्यूरॉन की सक्रियता केवल इनपुट और उसके केंद्र के बीच की दूरी पर निर्भर करती है, जिससे फलन रेडियल रूप से सममित हो जाता है। यूक्लिडियन दूरी आमतौर पर उपयोग की जाती है, हालांकि पैटर्न पहचान के लिए महालनोबिस दूरी बेहतर प्रदर्शन कर सकती है। सबसे आम रेडियल आधार फलन गाऊसी है, जो केंद्र से दूरी बढ़ने पर सुचारू रूप से शून्य की ओर क्षय होता है। यह स्थानीयता का अर्थ है कि एक न्यूरॉन के मापदंडों को बदलने से उसके केंद्र से दूर इनपुट पर बहुत कम प्रभाव पड़ता है।

सक्रियण फलन पर हल्की शर्तों को देखते हुए, RBF नेटवर्क इनपुट स्थान के कॉम्पैक्ट उपसमुच्चय पर सार्वभौमिक अनुमानक हैं। पर्याप्त छिपे न्यूरॉन्स के साथ, वे एक बंद और परिबद्ध समुच्चय पर किसी भी सतत फलन को मनमानी सटीकता के साथ अनुमानित कर सकते हैं।

नेटवर्क मापदंडों (भार, केंद्र, और चौड़ाई) को नेटवर्क आउटपुट और प्रशिक्षण डेटा के बीच फिट को अनुकूलित करने के लिए निर्धारित किया जाता है।

सामान्यीकरण

RBF नेटवर्क को सामान्यीकृत किया जा सकता है, जिस स्थिति में आउटपुट न्यूरॉन आउटपुट का एक सरल योग के बजाय भारित औसत होता है। यह सामान्यीकृत वास्तुकला सुनिश्चित करती है कि आउटपुट एक परिबद्ध सीमा के भीतर रहता है और संख्यात्मक स्थिरता में सुधार कर सकता है। सामान्यीकरण विशेष रूप से उपयोगी होता है जब नेटवर्क का उपयोग संभावना अनुमान के लिए किया जाता है या जब इनपुट वितरण भिन्न होता है।

प्रशिक्षण विधियाँ

RBF नेटवर्क को प्रशिक्षित करने में आमतौर पर दो चरण शामिल होते हैं। पहले, छिपे न्यूरॉन्स के केंद्र और चौड़ाई का चयन किया जाता है, अक्सर अनुपरीक्षित विधियों जैसे k-मीन्स क्लस्टरिंग या प्रशिक्षण डेटा से यादृच्छिक नमूनाकरण का उपयोग करके। दूसरे, आउटपुट भार सीखे जाते हैं, आमतौर पर एक रैखिक न्यूनतम वर्ग समस्या को हल करके, जो तेज़ है और एक अद्वितीय समाधान रखता है।

यह दो-चरणीय दृष्टिकोण Deep learning नेटवर्क में उपयोग किए जाने वाले ग्रेडिएंट-आधारित प्रशिक्षण के विपरीत है, जहां सभी मापदंडों को एक साथ समायोजित किया जाता है। RBF नेटवर्क को ग्रेडिएंट डिसेंट के साथ भी प्रशिक्षित किया जा सकता है, लेकिन रैखिक आउटपुट परत भार अनुमान को विशेष रूप से कुशल बनाती है।

अनुप्रयोग

RBF नेटवर्क विभिन्न कार्यों में उपयोग किए जाते हैं। फलन सन्निकटन में, वे जटिल गैर-रैखिक संबंधों को मॉडल कर सकते हैं। समय श्रृंखला पूर्वानुमान में, उन्हें वित्तीय और मौसम संबंधी डेटा पर लागू किया गया है। वर्गीकरण में, वे एक प्रकार के Machine learning वर्गीकरणकर्ता के रूप में कार्य करते हैं, विशेष रूप से पैटर्न पहचान समस्याओं में। वे प्रणाली नियंत्रण में भी उपयोग किए जाते हैं, जहां उनका तेज़ प्रशिक्षण और सुचारू आउटपुट लाभप्रद होते हैं।

Deep learning मॉडल की तुलना में, RBF नेटवर्क अक्सर सरल होते हैं और कम डेटा की आवश्यकता होती है, लेकिन आयामीता के अभिशाप के कारण उच्च-आयामी इनपुट के साथ संघर्ष कर सकते हैं। उन्हें कुछ पूर्वानुमानात्मक कार्यों के लिए Amazon Web Services जैसे क्षेत्रों में उपयोग किया गया है, हालांकि बड़े पैमाने पर आधुनिक अनुप्रयोग अक्सर गहरी वास्तुकला का पक्ष लेते हैं।

सीमाएँ और विस्तार

RBF नेटवर्क की एक सीमा यह है कि छिपे न्यूरॉन्स की संख्या इनपुट आयाम के साथ घातीय रूप से बढ़ सकती है, जिससे वे बहुत उच्च-आयामी समस्याओं के लिए अव्यावहारिक हो जाते हैं। विस्तार में केंद्रों का अनुकूली चयन, विभिन्न आधार फलनों का उपयोग, और संकर दृष्टिकोण शामिल हैं जो RBF परतों को अन्य नेटवर्क प्रकारों के साथ जोड़ते हैं।

Transformer (architecture)-आधारित मॉडलों के उदय के बावजूद Generative AI में, RBF नेटवर्क तंत्रिका नेटवर्क टूलबॉक्स में एक मौलिक उपकरण बने हुए हैं, जिन्हें उनकी सैद्धांतिक स्पष्टता और प्रशिक्षण में आसानी के लिए महत्व दिया जाता है।