RBF 神经网络（激活函数的中心和分布随机选择） 参数（K：内核数） RBFNN 有 5 个优化参数： 1- 隐藏层和输出层之间的权重。 2- 激活函数。 3- 激活函数的中心。 4- 激活函数的分布。 5- 隐藏神经元的数量。 隐藏层和输出层之间的权重使用 Moore-Penrose 广义伪逆计算。 该算法克服了传统梯度算法中的许多问题，如停止标准、学习率、时期数和局部最小值。 由于其较短的训练时间和泛化能力，适合实时应用。 选择的径向基函数通常是用于模式识别应用的高斯核。 通常激活函数的中心和分布应该具有与数据相似的特征。 这里，高斯分布的中心和宽度是随机选择的。 基于通用逼近理论中心和激活函数的分布是不确定的，如果隐藏神经元数量足够多，可以说具有足够数量隐藏神经元的单隐藏层前馈网络可以将任何函数逼近任意级别的准确性。

基于RBF神经网络的曲线拟合仿真,使用matlab2021a或者更高版本测试

为进一步提高神经网络模型的方向估计精度,提出利用特征矢量相角作为方向特征来构建模型。该方法首先通过协方差矩阵特征分解得到不易受噪声干扰的信号特征矢量;再对该矢量提取相角,信号的方向信息就包含在该相角中,以该相角作为输入矢量来训练模型。仿真结果证明了该方法具有抗噪能力强、模型估计精度高等特点,因此具有较高的工程应用价值。

用梯度下降算法开发的rbf神经网络曲线拟和程序.rar

这个是做毕设老师提供的代码，我试了一下，还得修改，会的请多多指教.

安全技术-网络信息-文化算法优化RBF神经网络及应用研究.pdf

遗传算法优化RBF神经网络 完整无缺，好好学习

针对柔性触觉传感器模型高度非线性、解耦难度大等问题，提出一种有效的方法来模拟柔性触觉传感器在实际应用中含噪声的情形。首先在理想条件下的传感器模型上添加不同幅度的高斯白噪声并建立其数学模型，之后通过K-均值和递归最小二乘法优化RBF神经网络，并利用优化后的RBF神经网络算法逼近受噪声干扰的传感器阻值与形变之间的高维非线性映射关系，最后基于不同的展开幅度通过行列阻值解耦出传感器三维形变信息，获得了较好的解耦精度。解耦结果表明，RBF神经网络算法具有较强的鲁棒性和抗噪声能力，能够很好地逼近含噪声的传感器高维非线性数据之间的映射关系。

安全技术-网络信息-模糊RBF网络的研究.pdf

安全技术-网络信息-模糊演化卡尔曼滤波及其在RBF神经网络中的应用.pdf