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

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。

本硕博研究专用 其中常规PID和模糊PID是用仿真实现的，神经网络PID是用编程实现的。

针对模型未知的多机械臂系统,利用多个独立的RBF神经网络,对每个子机械臂系统进行逼近,基于图论原理定义了每个子系统之间的同步耦合关系,结合滑模控制方法设计出一种机械臂无模型自适应同步控制器。通过神经网络权值的不断在线迭代过程,随机械臂工作任务的变化可以实现对其动力学模型的实时逼近,摆脱了数学模型的限制,扩大了控制器的应用范围,在初始误差较大的情况下也可以保证对期望轨迹实现快速跟踪,并且系统在载荷发生改变等不确定的情况下依然能够实现同步,提高了控制器的鲁棒性。最后通过Lyapunov稳定性分析和Matlab仿真对所设计的同步控制器进行了验证。

基于RBF神经网络的回归分析的matab实现

自己编写RBF神经网络程序，RBF神经网络隐层采用标准Gaussian径向基函数，输出层采用线性激活函数，其中数据中心、扩展常数和输出权值均用梯度法求解，它们的学习率均为0.001。其中隐节点数选为10，初始输出权值取[-0.1，0.1]内的随机值，初始数据中心取[-1，1]内的随机值，初始扩展常数取[0.1，0.3]内的随机值，输入采用[0 1]的随机阶跃输入

通过GA算法优化RBF神经网络初始参数，以减小误差，提高诊断效率，对GA-BP故障诊断模型进行MATLAB仿真分析

自己修改的一个源程序，用粒子群算法优化RBF神经网络的中心值，宽度，权值，可以直接运行~喜欢分类、预测的朋友们，可以下载！

提出一种基于非下采样Contourlet变换的径向基神经网络(RBF)自适应阂值去噪方法。在NSCT域通过RBF神经网络使目标误差函数GCV(T)的最小化,从而确定最优阂值,再通过软阂值函数去噪。利用NSCT的平移不变性来抑制伪Gibbs失真,从而能完整地保留图像的纹理和边缘等信息。实验结果表明,该方法可以有效去除高斯噪声,提高图像的峰值信噪比。

神经网络一种RBF神经网络的自适应学习算法