此代码为之前分享的MATLAB代码的C版本，仅供研究用，使用前请仔细测试。

PyTorch径向基函数（RBF）层 使用PyTorch的RBF层/模块的实现。 RBF层是常规人工神经网络中使用的激活函数的替代方法。 通常，RBF网络中的每个RBF层后面都有一个线性层。 在RBF层中，将计算和缩放输入与多个称为中心的位置之间的距离。 然后，将RBF应用于每个缩放距离。 IE， 其中x是输入，phi是径向基函数，sigma是比例因子，c是中心。 通常，通过对数据进行聚类来找到中心位置。 这对于具有许多RBF层的RBF网络是不切实际的。 在这种实施方式中，中心和比例因子通过梯度下降进行训练，这允许具有许多RBF层的RBF网络。 特征 径向基函数（RBF）层 少数径向基函数 通过梯度下降而不是聚类训练的中心和比例因子 示范 在演示中，RBF网络用于学习玩具分类问题的决策边界。

提出了一种基于遗传算法优化的RBF神经网络故障诊断方法,此诊断方法首先利用小波包分解的方法对传感器电路的各种故障数据进行特征提取,再将所得的特征向量输入到遗传算法优化的RBF神经网络进行故障诊断。经过MATLAB仿真,此故障诊断方法不仅对传感器故障进行准确分类,而且提高了BP神经网络的收敛性,从而验证了此方法是可行的。

粒子群优化RBF神经网络极其应用的两篇好文献，第一篇介绍优化原理，第二篇阐述了优化网络在入侵检测方面的应用。

基于径向基函数RBF神经网络的传感器故障诊断的方法研究

RBF神经网络和BP神经网络的比较程序，RBF神经网络和BP神经网络的比较程序

自己做的神经网络逼近函数的小例子，非常适合初学者理论与编程对照学习！！

RBF神经网络用于函数逼近不用工具箱代码-RBFtry.m RBF神经网络用于函数逼近（不用工具箱）代码

声学断层扫描涉及在测量区域内发送声波信号并计算其传播距离所需的时间。 许多传感器位于测量区域周围以实现这一点。 由于绝对音速受温度和风速的影响，飞行时间也受温度和风速的影响。 可以从飞行时间数据的收集中重建温度和风速。 这个包给出了一个使用径向基函数网络来实现逆问题的线性解的例子。 示例数据来自圆柱体后面的卡门涡街。 有关更多详细信息，请参阅http://blog.nutaksas.com 。

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。