Waarom is dit belangrijk?
Met een radiaalbasisfunctienetwerk zijn losse meetpunten om te zetten in een driedimensionaal oppervlak, ook op plekken waar een meting ontbreekt. In de wetenschap gebruiken onderzoekers dit bij driedimensionale computerbeelden, om de vorm van een voorwerp zichtbaar te maken. Op school en op het werk kunnen studenten en technici daarmee binnen bekende gegevens rekenen, maar schattingen buiten die gegevens worden onbetrouwbaar.
Zo werkt het in de praktijk
Analisten gebruiken een radiaalbasisfunctienetwerk bij patroonherkenning. In documentatie van IBM staat het herkennen van handgeschreven cijfers en het indelen van tekst. Die documentatie noemt ook het markeren van ongebruikelijke betalingen.
Het onderzoek begon bij het Royal Signals and Radar Establishment. In 1988 vroegen Broomhead en Lowe hoe zo'n netwerk een verband uit voorbeelden haalt. Zij werkten aan aanpasbare netwerken voor gegevens met meer variabelen.
De training gebruikt bekende rekenmethoden. K-means, een techniek die voorbeelden in groepen deelt, zoekt vaak de middelpunten. De kleinste-kwadratenmethode kiest daarna de gewichten zo dat de fout klein blijft. Een strafterm kan het verloop bovendien gladder maken.




