高斯径向基函数 (RBF)

高斯径向基函数（Gaussian Radial Basis Function, RBF）是径向基函数网络中最经典且应用最广泛的激活函数形式。其数学本质是以输入点为中心、以距离为权重的指数衰减函数，由德国数学家卡尔·弗里德里希·高斯提出。在机器学习架构中，它充当了从低维输入空间到无限维特征空间的非线性变换器，能够将线性不可分的数据转化为线性可分状态。尽管其名称源于数学家高斯，但在现代计算架构中，它已演变为一种通用的函数近似器，广泛应用于支持向量机（SVM）、径向基神经网络（RBFNN）及高斯过程回归等前沿算法中。

在现代计算架构与人工智能生态中，高斯径向基函数扮演着‘非线性转换器’的关键角色。它解决了传统线性模型无法拟合复杂边界的问题，是构建高维特征空间的核心组件。其核心价值在于以极低的计算代价实现了高精度的函数逼近，使得机器学习模型能够处理高维、非线性及噪声数据。在工程实践中，它是连接原始数据与决策边界的最短路径，尤其在处理小样本、高维特征数据时表现卓越，是构建鲁棒分类器与回归器的首选核函数之一。