径向基函数用于函数逼近和插值。 这个包支持两种流行的 rbf 类：高斯样条和多谐样条（薄板样条是其中的一个子类）。 该包还计算两点之间的线积分以及表面的梯度。 有关更多信息，请参阅 blog.nutaksas.com 以获取学术论文。

在这篇论文中,我们提出了一个使用局部支撑径向基函数对三维散乱点进行Hermite插值或逼近的快速曲面重构方法.通过构造给定数据点集的一个层次结构,采用逐层精化的方式实现了全局曲面重构的效果,解决了因使用局部支撑径向基函数导致的问题.另外,设计一个基于逼近误差导向的径向基函数中心点选择策略,减少每层进行插值的数据点,从而使Hermite径向基函数曲面重构方法能处理百万以上规模的点云数据.实验结果显示,我们的方法还适用于极度非均匀分布或带噪声的点云数据的曲面重构.

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。

MATLAB实现RBF径向基神经网络多输入多输出预测（完整源码和数据） 数据为多输入多输出预测数据，输入10个特征，输出3个变量,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。

基于径向基神经网络（RBF）的数据回归预测（Matlab完整程序和数据） 运行版本2018及以上 基于径向基神经网络（RBF）的数据回归预测（Matlab完整程序和数据） 运行版本2018及以上 基于径向基神经网络（RBF）的数据回归预测（Matlab完整程序和数据） 运行版本2018及以上

基于径向基神经网络（RBF）的数据分类预测（Matlab完整程序和数据） 运行版本2018及以上 基于径向基神经网络（RBF）的数据分类预测（Matlab完整程序和数据） 运行版本2018及以上 基于径向基神经网络（RBF）的数据分类预测（Matlab完整程序和数据） 运行版本2018及以上

基于径向基神经网络（RBF）的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上 基于径向基神经网络（RBF）的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上 基于径向基神经网络（RBF）的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上

使用PSO优化RBF神经网络的主要参数中心值c, 宽度σ以及连接权值w。然后将影响输出响应值的多个特征因素作为PSO-RBF神经网络模型的输入神经元, 输出响应值作为输出神经元进行预测测试。

径向基函数/薄板样条二维图像变形。 [imo,mask] = rbfwarp2d(im, ps, pd, 方法) 输入： im：图像二维矩阵ps：二维源地标[n*2] pd: 2d destin 地标 [n*2] 方法： 'gau',r - 对于高斯函数 ko = exp(-|pi-pj|/r.^2); 'thin' - 对于薄板函数 ko = (|pi-pj|^2) * log(|pi-pj|^2) 输出： imo：输出矩阵mask : 输出矩阵的掩码，0/1 表示出/入边界佛罗里达州布克斯坦“主要翘曲：薄板样条和变形的分解。” IEEE 翻译模式肛门。 马赫。 英特尔。 11, 567-585, 1989。 灵感来自https://cn.mathworks.com/matlabcentral/fileexchange/24315-warping-using-thin-plate-spl

基于径向基神经网络的数据分类预测、