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。

基于径向基神经网络的数据分类预测、

基于粒子群优化径向基神经网络的数据分类预测、

MATLAB实现RBF径向基神经网络多特征分类预测（完整源码和数据） 数据多特征分类数据，输入15个特征，分四类。 运行环境MATLAB2018b及以上。

MATLAB实现RBF径向基神经网络多输入回归预测（完整源码和数据） 数据多特征分类数据，输入7个特征，输出1个变量。 运行环境MATLAB2018b及以上。

MATLAB实现RBF径向基神经网络时间序列预测（完整源码和数据） 数据为单变量时间序列数据， 运行环境MATLAB2018b及以上。

本项目主要实现了python端的径向基，通过实现算法本身而不是调用库实现，实现了径向基神经网络对双月数据进行分类，另外里面还进行了包括调整中心个数，学习率的调整方法等对原始程序进行了改进，可以用来进行不同参数下实现的比较

基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的改进及应用 基于优化算法的径向基神经网络模型的

针对风电叶片模具电加热系统中被控对象存在的大惯性、非线性、干扰多等问题，提出一种基于改进径向基（RBF）神经网络的串级PID温度控制方法。首先，采用RBF神经网络结构对常规PID串级控制主回路结构进行优化，在此基础上，引入双动量因子，对主控制回路的输出Jacobian信息进行系统辨识，进而实现对控制器参数的自适应整定；其次，采用Kalman滤波器对主回路的输出噪声进行滤波，以消除外部扰动对系统辨识效果的影响；最后，搭建电加热试验平台，通过现场试验对上述算法的控制效果进行分析。仿真及现场试验结果表明：改进的径向基神经网络串级PID温度控制系统相较于常规串级控制具有响应快、超调低、抗干扰能力强等优点，且在主控制回路中的Kalman滤波算法能有效消减系统的输出噪声，可在很大程度上提高控制性能。

用于查找径向基神经网络模型的网络参数的程序 MATLAB 函数“newrb”用于为给定数据集训练神经网络。 该函数的形式为 net = newrb(Y, X,goal,spread)。 传播（网络参数）将影响模型性能。 该程序可用于获得给定数据集的“传播常数”的最佳值。 获得显示交叉验证误差随扩展常数变化的箱线图。 然后，设计者可以分析该图以找出最佳的“传播常数”。