জনপ্রিয় ধরনের ফিড-ফরোয়ার্ড নেটওয়ার্ক হল রেডিয়াল বেসিস ফাংশন (RBF) নেটওয়ার্ক। এটিতে দুটি স্তর রয়েছে, ইনপুট স্তর গণনা করা হয় না, এবং লুকানো ইউনিটগুলি গণনাগুলি প্রয়োগ করার পদ্ধতিতে একটি মাল্টিলেয়ার পারসেপ্ট্রনের সাথে বৈপরীত্য।
প্রতিটি লুকানো ইউনিট উল্লেখযোগ্যভাবে ইনপুট স্পেসের একটি নির্দিষ্ট বিন্দু এবং এর আউটপুট বা সক্রিয়করণকে নির্দিষ্ট করে একটি নির্দিষ্ট উদাহরণের জন্য তার বিন্দু এবং উদাহরণের মধ্যে দূরত্বের উপর ভিত্তি করে, যা শুধুমাত্র একটি ভিন্ন বিন্দু। এই দুটি পয়েন্ট যত কাছাকাছি, সক্রিয়করণ তত ভাল।
দূরত্বকে একটি সাদৃশ্য পরিমাপে পরিবর্তন করতে একটি ননলাইনার রূপান্তর ফাংশন ব্যবহার করে এটি বাস্তবায়িত হয়। একটি ঘণ্টা-আকৃতির গাউসিয়ান অ্যাক্টিভেশন পরিষেবা যার প্রস্থ প্রতিটি লুকানো ইউনিটের জন্য আলাদা হতে পারে সাধারণত এই উদ্দেশ্যের জন্য ব্যবহার করা হয়। লুকানো ইউনিটগুলিকে RBF বলা হয় কারণ দৃষ্টান্তের ক্ষেত্রের পয়েন্টগুলি যার জন্য একটি প্রদত্ত লুকানো ইউনিট একই রকম সক্রিয়করণ করে হাইপারস্ফিয়ার বা হাইপারেলিপসয়েড।
একটি RBF কাঠামোর আউটপুট স্তরটি একটি মাল্টিলেয়ার পারসেপ্ট্রনের অনুরূপ - এটি লুকানো ইউনিটগুলির আউটপুটগুলির একটি রৈখিক সেট নেয় এবং শ্রেণীবিভাগের সমস্যাগুলিতে এটি সিগমায়েড ফাংশনের মাধ্যমে পাস করে৷
এই ধরনের নেটওয়ার্ক যে প্যারামিটারগুলি বোঝে তা হল RBF-এর কেন্দ্র এবং প্রস্থ এবং লুকানো স্তর থেকে অর্জিত আউটপুটগুলির রৈখিক সেট ডিজাইন করতে ব্যবহৃত ওজন। মাল্টিলেয়ার পারসেপ্টরনের উপর একটি অপরিহার্য সুবিধা হল যে প্যারামিটারের প্রথম গ্রুপটি দ্বিতীয় গ্রুপ থেকে স্বাধীনভাবে সিদ্ধান্ত নেওয়া যেতে পারে এবং সঠিক শ্রেণীবিভাগ তৈরি করতে পারে।
পরামিতিগুলির প্রথম গ্রুপ নির্ধারণ করার একটি পদ্ধতি হল ক্লাস্টারিং ব্যবহার করা। সাধারণ k-মানে ক্লাস্টারিং অ্যালগরিদম প্রয়োগ করা যেতে পারে, প্রতিটি ক্লাসের জন্য k-বেসিস ফাংশনগুলি পেতে প্রতিটি ক্লাসকে স্বাধীনভাবে ক্লাস্টার করে৷
প্রথম পরামিতি ধ্রুবক রেখে পরামিতিগুলির দ্বিতীয় গ্রুপটি বোঝা যায়। এর মধ্যে লিনিয়ার বা লজিস্টিক রিগ্রেশনের মতো পন্থাগুলির একটি ব্যবহার করে একটি সাধারণ রৈখিক শ্রেণিবিন্যাস শেখা অন্তর্ভুক্ত। প্রশিক্ষণের দৃষ্টান্তের তুলনায় যদি দীর্ঘ কম লুকানো ইউনিট থাকে তবে এটি দ্রুত করা যেতে পারে।
RBF নেটওয়ার্কগুলির সীমাবদ্ধতা হল যে তারা প্রতিটি বৈশিষ্ট্যকে একই ওজনের সাথে প্রদান করে কারণ সমস্তগুলিকে দূরত্বের গণনায় সমানভাবে বিবেচনা করা হয় যদি না অ্যাট্রিবিউট ওজনের প্যারামিটারগুলি সম্পূর্ণ অপ্টিমাইজেশান প্রক্রিয়ার মধ্যে থাকে৷
অতএব, তারা মাল্টিলেয়ার পারসেপ্ট্রনের বিরুদ্ধে, অনুপযুক্ত বৈশিষ্ট্যগুলির সাথে দক্ষতার সাথে মোকাবিলা করতে পারে না। সমর্থন ভেক্টর মেশিন অনুরূপ সমস্যা ভাগ. গাউসিয়ান কার্নেলের সাহায্যে ভেক্টর মেশিনগুলি (অর্থাৎ, "RBF কার্নেল") হল RBF নেটওয়ার্কের একটি নির্দিষ্ট পদ্ধতি, যেখানে প্রতিটি প্রশিক্ষণ উদাহরণের উপর একটি ফাংশন কেন্দ্রীভূত হয়, সমস্ত ভিত্তি ফাংশনের একই প্রস্থ থাকে এবং আউটপুটগুলি গণনা করে রৈখিকভাবে একত্রিত হয়। সর্বোচ্চ মার্জিন হাইপারপ্লেন। এর ফলে কিছু RBF-এর ওজন শূন্য থাকে যা সমর্থন ভেক্টরকে সংজ্ঞায়িত করে।
