RBF三种学习方法源码(k-means、梯度、OLS)

S函数的RBF神经网络PID控制器Simulink仿真

RBF神经网络负荷预测MATLAB程序

针 对 网 络 安 全 态 势 预 测 ， 为 了 提 高 预 测 精 度 和预 测 算 法 的 收 敛速 度 ， 采 用 一 种 改 进 的 粒子 群 算 法来 优 化径 向 基 函 数神 经 网 络 。 首 先 ， Ｐ ＳＯ 的 惯性 权 重 因 子 按 一 条 开 口 向 左 的 抛 物 线 递 减 ， 在 保证 全局 寻优 的 同 时 又 增 强 了 局 部搜 索 能 力 ； 其 次 ， 通过 权 重 因 子 的 调 节 自 动 寻 优 ， 并 将搜 寻到 的 全局 最优 值 解 码 成 Ｒ Ｂ Ｆ 的 网 络参 数 ； 最 后 ， 通 过 优 化 的 Ｒ ＢＦ 网 络进 行 网 络 安 全 态 势 预 测 。 仿 真 实 验 表，改进 后 的 算 法 能较 准 确 地 预测 网 络 安 全 态 势 。 与 ＢＰ 算 法 和 Ｒ ＢＦ 算 法相 比 ， 本 文 算 法在预 测 精度 上有所提 高 ， 同 时 收敛 速度 加快 ， 能 达到 更 好 的 预 测 效果 。

为了提高光伏发电功率预测的精度，本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上，提出一 种基于灰色径向基函数（Radical Basis Function， RBF）和神经网络光伏发电功率预测模型。 该预测模型综合了灰色预 测算法所需历史数据少以及 RBF 神经网络预测算法自学习能力强的优点。 最后，运用南昌地区夏季和冬季晴天、阴 天、雨天光伏发电历史数据在 MATLAB 应用平台编程实现对 GM-RBF 神经网络预测模型的预测精度进行验证，得出 基于 GM-RBF 神经网络光伏发电预测模型在夏季晴天预测误差为 6.495%、夏季阴天预测误差为 12.146%、夏季雨天 预测误差为 21.531%、冬季晴天预测误差为 8.457%、冬季阴天预测误差 14.379%、冬季雨 天预 测 误 差为 18.495%，其 预测精度均高于灰色预测算法和 RBF 神经网络预测算法

为了提高风电功率的预测精度， 研究了一种基于粒子滤波（ Ｐ Ｆ） 与径向基函数（ ＲＢＦ） 神经网络相结合的风电功率预测方法。使用 Ｐ Ｆ算法对历史风速数据进行滤波处理， 将处理后的风 速数据结合风向、 温度的历史数据， 归一化后构成风电功率预测模型的新的输入数据； 利用处理后 的新的输入数据和输出数据， 建立 Ｐ Ｆ－ＲＢＦ神经网络预测模型， 预测风电场的输出功率。仿真结果 表明， 使用该预测模型进行风电功率预测， 预测精度有一定的提高， 连续１ ２０ｈ功率预测的平均绝对 百分误差达到８．０４％， 均方根误差达到１０．６７％

粒子群算法优化RBF神经网络MATLAB程序，适用于模式识别和函数逼近。

基于k-均值的RBF神经网络实现，matlab程序，基于k均值找到聚类中心，最小二乘法计算隐含层与输出层之间的权值。

包含随机波束成形的函数及测试代码，调度原则为选择sinr最大的用户进行通信

matlab的RBF预测模型程序(可运行）有例子