求解椭圆方程的径向基无网格配置法，向娟，秦新强，针对一、二维椭圆方程构造了径向基无网格配置法；给出了解的存在唯一性；同时得到了基函数中自由参数c与求解精度的关系，以及节�

优点—— RBF神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且 学习规则简单，便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映 射能力以及强大的自学习能力，因此在彩票等非线性大数据分析预测方面， 有着很大的应用市场。 具有局部逼近的优点 RBF神经网络是一种性能优良的前馈型神经网络，RBF网络可以任意精度逼近 任意的非线性函数，且具有全局逼近能力，从根 本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分 离学习，收敛速度快。 只要在MATLAB（R2014b）平台上，通过运行径向基神经网络“RBF_SSQ”就可 以快速预测。预测系统推荐两注（参数可修改），单注可每号+-1，最多可12 个号复试；也可直接单注投注。单注中奖率一般在2个以上，复试一般在4-6 个红球。预测可靠性远远高于网络彩票预测机构的水准。

现实场景中存在很多小样本量数据集而且多有失真，传统神经网络在处理这类数据时泛化能力较差，不能达到预测数据或分类的目的。迁移学习可通过学习数据集A有用的知识对与其相关但不同正态分布的小样本数据集B进行辅助学习，因此提出了具有迁移学习能力的神经网络，以实现更好的分类或逼近效果。以基于ε-不敏感准则和结构风险的径向基神经网络（RBF）为基础构造了迁移径向基神经网络（T-RBF-NN）。通过加噪音数据集实验以及真实数据集实验验证加入迁移学习的神经网络在小样本情况下比传统神经网络具有更好的泛化性和鲁棒性。

RBF径向基神经网络matlab源代码编程，有利于更好的理解此算法!

RBF径向基函数网格变形算法源程序 c++版本的 径向基函数，简单实现

基于聚类算法的径向基神经网络学习，快来看看吧 ，或许对你有帮助

主要介绍了Python实现的径向基（RBF）神经网络,结合完整实例形式分析了Python径向基（RBF）神经网络定义与实现技巧,需要的朋友可以参考下

提出一种基于径向基函数神经网络的改进聚类方法，并将此改进的神经网络应用于语音识别领域，建立一个非特定人的孤立词语音识别系统。此聚类方法采取有监督的学习方式，将训练样本的形心作为隐节点的质心，训练样本的分类数作为隐节点的个数。利用该方法对小词表汉语孤立词进行语音识别。结果表明，采用此算法的径向基函数的神经网络具有更好的分类能力，训练速度和识别率均优于传统的径向基函数网络。

粒子群算法（PSO）优化的径向基函数（RBF）神经网络算法.zip

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