为了解决组成复杂、功能多样、贫样本的系统的综合效能评估问题，针对系统的效能评估指标体系三层结构，构建了基于灰色理论、RBF神经网络以及灰色RBF神经网络的系统效能评估模型，并通过仿真验证了这种灰色RBF神经网络模型的精度要高于灰色模型和RBF神经网络模型，可以准确地对功能多样、组成复杂但是样本少的系统进行综合效能评估。

粒子群算法（PSO）优化的径向基函数（RBF）神经网络算法.zip

RBF神经网络在岩爆预测上的运用.pdf

基于模糊RBF神经网络的PID控制方法及应用.pdf

二关节机械臂RBF神经网络轨迹跟踪控制MATLAB仿真程序

RBF神经网络滑模轨迹跟踪控制matlab仿真程序 (对象：二自由度机械臂) (仿真平台：Matlab/simulink)

在文件svr_test.m中运行示例SVR_SMO 使用 SMO 求解器创建 SVR 模型向量x（mx1），y（mx1）对应于y = f（x）的点集是x个实数值的实函数。 SMO求解器使用常数C，tol（公差），eps（ε），T（最大Iter）。 的选择内核以类型定义（“ l”表示线性，“ r”表示rbf，“ p”表示多项式和's' forsigmoid）。 根据内核的选择将使用附加的纳尔参数（伽玛，偏移和功率）。 训练结果将以alpha系数和b给出临界点。 实施者：Flake、Gary William 和 Steve Lawrence。 “高效的“使用SMO进行SVM回归训练”，《机器学习》，第46卷，第1-3期（2002年）：271-290。

Matlab的RBF径向基神经网络用于销售额销售量的预测-RBF径向基神经网络，用于销售额、销售量的预测.rar RBF径向基神经网络，用于销售额、销售量的预测

RBF神经网络算法示例，实现了对非线性曲线的拟合逼近。

由于GPS高程是以WGS-84参考椭球面为基准面的大地高,使用不方便,因此GPS高程转换模型和方法得到广泛的研究和应用。由于径向基神经网络(简称RBF网络)在函数逼近方面具有全局逼近和最佳逼近的性质,根据其基本原理,采用最近邻聚类分析算法,增加神经网络的输入神经元,综合水准测量获得的正常高和GPS测量获得的平面坐标和大地高程,开发基于RBF网络的GPS高程转换程序,分析和解决了程序设计和开发中的一些关键问题,提高了最邻近聚类算法的精度。