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
基于RBF神经网络的非线性回归模型,黄涛,,RBF神经网络即径向基函数神经网络是一种高效的前馈式神经网络,它具有其他前向网络所不具有的最佳逼近性能和全局最优特性,并且结
利用RBF神经网络进行函数拟合,拟合结果通过图形绘制出来,你可以修改相应参数观察结果,你可以将plot_rbf开启观察径向基函数如何逼近函数的。
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。
基于RBF神经网络初期损伤预测,万云辉,,利用RBF神经网络来预测结构初期损伤对整体的影响,可以有效地判断结构的稳定性。由于神经网络可以通过对样本的反复学习来反映整体
提出一种RBF 网的动态设计算法(DYNRBF 方法) ,该算法有效地融合了ROLS 算法和RAN 网络的优点,不仅能动态调节RBF 网的隐节点数,还能使网络的数据中心自适应变化. 该方法所设计的RB
遗传算法优化RBF神经网络代码,十分详细,通俗易懂,可供阅读与学习
针对网络安全态势预测,为了提高预测精度和预测算法的收敛速度,采用一种改进的粒子群算法来优化径向基函数神经网络。首先,PSO的惯性权重因子按一条开口向左的抛物线递减,在保证全局寻优的同时又增强了局部搜索
rbf核神经网络程序matlab程序与实现
GA优化后的RBF神经网络,带有数据可以仿真。比较测试未用GA算法优化的RBF网络和用GA算法优化的RBF网络逼近能力。利用GA算法来优化RBF网络中的各种权值。