不會引起過擬合。
過擬合是太多的參數引起的。神經網絡減少隱藏層節點，就是在減少參數，只會將訓練誤差變高，不會導致過擬合。?
避免過擬合的方法：正則化方法，強制減少參數，增大訓練數據集。
svm高斯核函數比線性核函數模型更復雜，容易過擬合。
信號稀疏表示是過去近20年來信號處理界壹個非常引人關註的研究領域，眾多研究論文和專題研討會表明了該領域的蓬勃發展。
信號稀疏表示的目的就是在給定的超完備字典中用盡可能少的原子來表示信號，可以獲得信號更為簡潔的表示方式，從而使我們更容易地獲取信號中所蘊含的信息，更方便進壹步對信號進行加工處理，如壓縮、編碼等。
徑向基(RBF)核函數/高斯核函數的說明：
這個核函數可以將原始空間映射到無窮維空間。對於參數 ，如果選的很大，高次特征上的權重實際上衰減得非常快，實際上（數值上近似壹下）相當於壹個低維的子空間；反過來，如果選得很小，則可以將任意的數據映射為線性可分。
當然，這並不壹定是好事，因為隨之而來的可能是非常嚴重的過擬合問題。不過，總的來說，通過調整參數 ，高斯核實際上具有相當高的靈活性，也是使用最廣泛的核函數之壹。