Hermit多項式如下式表示 ，采用BP算法設計一個單輸入單輸出的多層感知器對該函數進行逼近。訓練樣本按以下方法產生：樣本數P=100，其中輸入樣本 服從區間[-4,4]內的均勻分布，樣本輸出為 ， 為添加的噪聲，服從均值為0，標準差為0.1的正態分布。隱層采用線性激活函數： 。(見BP程序)


    考慮Hermit多項式的逼近問題 。訓練樣本按以下方法產生：樣本數P=100，其中輸入樣本 服從區間[-4,4]內的均勻分布，樣本輸出為 ， 為添加的噪聲，服從均值為0，標準差為0.1的正態分布。

  (1）試用聚類方法取數據中心和擴展常數，輸出權值和閾值用偽逆法求解。隱節點數M＝10，隱節點重疊系數λ＝1，初始聚類中心取前10個樣本。(見程序rbfkmean)

（2）試用梯度算法訓練RBF網絡，設η＝0.001，M＝10，初始權值為[-0.1,0.1]內的隨機數，初始數據中心為[-4.0,4.0]內的隨機數，初始擴展常數取[0.1,0.3]內的隨機數，目標誤差為0.9，最大訓練次數為5000。(見程序rbfgrad)

  (3) 試用正交最小二乘算法取數據中心，設擴展常數SP=0.6,目標誤差ErrorLimit=0.9.(見程序rbfols)