基于k-均值的RBF神经网络实现

rt,粒子群算法优化的RBF神经网络

BP和RBF神经网络源代码（C++）可运行，已经调试通过，并对其进行了比较；对于学习神经网络的人非常有用，有助于理解神经网络。

水质评价的RBF神经网络应用，常欢，刘志斌，针对传统水质评价方法在权值选取上存在人为因素，本文主要应用RBF神经网络对辽河流域阜新支流的柳河、绕阳河、养息牧河三条主要河

为解决井下风速传感器获得的风速异常数据确定故障源位置问题,采用RBF神经网络方法确定可能引起各分支风速异常的分支集合,即建立通风系统故障巷道范围库,再通过对分支的灵敏度进行排序来选择故障巷道诊断的优先

采用K均值聚类算法来优化RBF神经网络的各项参数。

RBF网络能够逼近任意的非线性函数,可以处理系统内的难以解析的规律性,具有良好的泛化能力,并有很快的学习收敛速度,已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统

k-means-RBF集成神经网络在工业尾气检测中的应用

太阳黑子月均值是典型的混沌时间序列，具有较强的非线性和非平稳特征，能够反映太阳活动的真实水平。采用一种应用集合经验模态分解（EnsembleEmpiricalModeDecomposition，EEM

先对xun.m运行，不断修改w，b和c；直到误差达到最小，将修改完的w，b和c，修改预测yuce.m中的值。

RBF神经网络控制器，对预定曲线有良好的控制效果，误差很小。