基于布里渊效应的分布式光纤传感器以其可在沿光纤中同时获得被测量场时间和空间上的连续分布信息，成为当前国际的研究热点。根据光纤中布里渊散射谱的传输特点和高精度特征提取的要求，提出了利用莱文伯马夸特(L-M)算法调节权值的径向基函数神经网络(RBFN)对布里渊散射谱进行特征提取。通过与反向传播(BP)神经网络、五次多项式曲线拟合法和三次样条插值法进行预测比较，在中心频率为11.213 GHz，权重比为4∶1的仿真散射谱模型中，本方法相对误差最小，仅0.0015179%，温度相对误差仅为0.152 ℃，且拟合度较好。在不同脉宽和不同温度下的同一检测系统中，前者的综合评价指标优于其他三种拟合方法。数值分析和实验研究均表明径向基函数神经网络适用于对布里渊散射谱进行拟合，有效提高了预测精度。

014_基于径向基函数神经网络(RBF)的数据分类预测 Matlab代码实现过程，调用newrbe函数实现

013_基于径向基函数神经网络(RBF)的数据回归预测 Matlab代码实现过程，调用newrbe函数实现

径向基函数神经网络模型与学习算法.ppt

2.5径向基函数神经网络模型与学习算法.ppt

径向基函数神经网络芯片ZISC78及其应用.pdf

径向基函数神经网络对一已知函数逼近

一种径向基函数神经网络在线训练算法及其在 非线性控制中的应用

 能源短缺和环境问题已成为本世纪全球面临的最重要课题，作为一种新的能源形式，固体氧化物燃料电池（SOFC）技术日益受到重视。由于现有的SOFC模型过于复杂，难以满足工程上对SOFC系统实时控制的需求，提出利用粒子群算法（PSO）优化径向基函数（RBF）神经网络，从而实现对SOFC的建模。PSO对RBF神经网络的中心值和连接权值进行优化，提高了网络的泛化性能，使其非线性逼近能力更强，从而达到精确模型的目的。仿真实验验证了粒子群算法在SOFC建模的有效性。

为了解决系统状态变量不宜直接测量的问题，利用神经网络能对任意函数逼近的原理，采用 RBF神经网络针对标准单输入、单输出系统，利用可测变量为输入量，在基本状态观测器的基础上设计了神经网络状态观测器。系统状态观测误差是收敛有界的，并且该界与神经网络权值逼近误差有关，合理设计神经网络参数，将该观测器应用于起重摆角子系统，利用小车位置变量为输入量，实现对吊重摆角速度的现场软测量。仿真研究的结果表明，神经网络观测器具有良好的快速响应性，其观测时间小于1 s；当系统存在建模误差和参数摄动时，神经网络观测器能较好地适应