我们提出了一种新型的神经场，使用了一般径向基函数进行信号表示。该方法相比于现有的神经场方法，能够更好地适应目标信号，提高径向基函数的通道能力，并且通过混合自适应的径向基函数和基于网格的径向基函数，继承了自适应性和插值平滑性，取得了比现有方法更高的精确度和紧凑性。在2D图像和3D有向距离场表示中的实验证明了我们方法的优越性，并且在神经辐射场重建方面，我们的方法实现了与现有方法相媲美的渲染质量，具有较小的模型大小和可比较的训练速度。

本文通过模拟实验证明了基于径向基函数的深度强化学习模型在多层次库存管理问题中的卓越性能。

该研究提出了一种新型的神经场方法，使用了径向基函数进行信号表示。该方法在2D图像和3D有向距离场表示中取得了更高的精确度和紧凑性。在神经辐射场重建方面，该方法实现了与现有方法相媲美的渲染质量，具有较小的模型大小和可比较的训练速度。

该研究提出了一种新型的神经场方法，使用了一般径向基函数进行信号表示，能够更好地适应目标信号，提高径向基函数的通道能力，并且继承了自适应性和插值平滑性，取得了比现有方法更高的精确度和紧凑性。