RbF， 八面体配位晶体。 无色立方系粉晶，用于制造中温不溶性铝钎剂。 极易溶于水，易溶于稀氢氟酸，不溶于乙醇和乙醚。 制备上用氢氧化铷与氢氟酸混合反应得到。

1、化学名称(中文名称 英文名称 结构或分子式 结构 密度 熔点（℃） 沸点（℃） 性状 溶解情况 用途 制备或来源)

2、windows系统文件

3.神经网络(RBF 网络的作用 RBF网络的特点)

1、化学名称

中文名称

氟化铷

英文名称

rubidium fluoride

结构或分子式

Rb

结构

氟化铷（RbF）是铷的氟化物。它是八面体配位晶体

密度

3.557

熔点（℃）

795

沸点（℃）

1410

性状

无色立方系粉晶。

溶解情况

极易溶于水，易溶于稀氢氟酸，不溶于乙醇和乙醚。

用途

用于制造中温不溶性铝钎剂。

制备或来源

氟化铷有几种合成方法。一个是用氢氧化铷与氢氟酸混合反应：

RbOH + HF → RbF + H2O 另一个方法是以氢氟酸中和碳酸铷：

Rb2CO3 + 2HF → 2RbF + H2O + CO2 还有一种方法是用铷金属直接与氟气反应，但因为铷金属很昂贵，所以是最不常用的方法。此外，铷与卤素会产生剧烈反应并燃烧：

2Rb + F2 → 2RbF

2、windows系统文件

在Windows的安装过程中将产生返回脚本（rollback scriptS）以实现返回功能。在这些文件中包含了已执行的操作序列，文件和注册表的更新信息以及其他操作信息。脚本文件包括*.rbf 和*.rbs 两种。其中*.rbf文件是已有文件的备份文件，它们存储在config.msi 文件夹中，而config.msi 则包含在操作系统所在的驱动器中。当操作系统安装成功结束后，所有的返回脚本文件都将被删除，如果安装文件不能删除config.msi文件夹，可以Windows Exploer 中将其手动删除。

3.神经网络

rbf原理:所谓径向基函数 (Radial Basis Function 简称 RBF), 就是某种沿径向对称的标量函数。 通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数 , 可记作 k(||x-xc||), 其作用往往是局部的 , 即当x远离xc时函数取值很小。最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^2/(2*σ)^2) } 其中xc为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。在RBF网络中,这两个参数往往是可调的。

RBF 网络的作用

(1)把网络看成对未知函数f(x)的逼近器。一般任何函数都可表示成一组基函数的加权和 ,这相当于用隐层单元的输出函数构成一组基函数来逼近f(x) (2)在RBF网络中以输入层到隐层的基函数输出是一种非线性映射，而输出则是线性的。这样,RBF网络可以看成是首先将原始的非线性可分的特征空间变换到另一空间（通常是高维空间）,通过合理选择这一变换使在新空间中原问题线性可分,然后用一个线性单元元来解决问题。 在典型的RBE网络中有三组可调参数：隐层基函数中心、方差,以及输出单元的权值。这些参数的选择有三种常见的方法： (1)根据经验选择函数中心。比如只要训练样本的分布能代表所给问题 ,可根据经验选定均匀分布的M个中心, 其间距为d，可选取高斯核函数的方为σ=d/sqrt(2*M)。 (2)用聚类方法选择基函数。可以各聚类中心作为核函数中心,而以各类样本的方差的某一函数作为各个基函数的宽度参数。 用(1)或(2)的方法选定了隐层基函旗的参数后,因输出单元是线性单元,它的权值可以简单地用最小二乘法直接计算出来。 (3)将三组可调参数都通过训练样本用误差纠正算法求得。做法与BP方法类似,分别计算误差e(k)对各组参数的偏导数，然后用迭代求取参数。 研究表明,用于模式识别问题的RBF网络在一定意义上等价于首先用非参数方法估计出概率密度，必然后用它进行分类

RBF网络的特点

1.前向网络

2.隐单元的激活函数通常为具有局部接受域的函数，即仅当输入落在输入空间中一个很小的指定区域中时，隐单元才作出有意义的非零响应。因此，RBF网络有时也称为局部接受域网络(Localized Receptive Field Network)。

3.RBF网络的局部接受特性使得其决策时隐含了距离的概念，即只有当输入接近RBF网络的接受域时，网络才会对之作出响应。这就避免了BP网络超平面分割所带来的任意划分特性。

在RBF 网络中，输入层至输出层之间的所有权重固定为1，隐层RBF单元的中心及半径通常也预先确定，仅隐层至输出层之间的权重可调。RBF网络的隐层执行一种固定不变的非线性变换，将输入空间Rn映射到一个新的隐层空间Rh，输出层在该新的空间中实现线性组合。显然由于输出单元的线性特性，其参数调节极为简单，且不存在局部极小问题。

4.另外，研究还表明，一般RBF网络所利用的非线性激活函数形式对网络性能的影响并非至关重要，关键因素是基函数中心的选取。

RBF网络的优点：

① 它具有唯一最佳逼近的特性，且无局部极小问题存在。

② RBF神经网络具有较强的输入和输出映射功能，并且理论证明在前向网络中RBF网络是完成映射功能的最优网络。

③ 网络连接权值与输出呈线性关系。

④ 分类能力好。

⑤ 学习过程收敛速度快。

RBF神经网络的应用

图像处理

语音识别

时间系列预测

自适应均等

雷达原点定位

医疗诊断

错误处理检测

模式识别

总之，RBF网络用得最多之处是用于分类。在分类之中，最广的还是模式识别问题。次之是时间序列分析问题。

许多模式识别试验都充分表明，RBF网络较其它网络具有更强的分类能力。首先，RBF具有更有效的非线性逼近能力。其次，RBF网络的学习速度较其它网络快。