针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。

为了正确判断管道是否发生泄漏，本文采用混合学习方法对网络进行训练学习。通过将管道运行参数作为神经网络的输入，管道运行状态作为神经网络的输出，实现两者的非线性映射，以此来判断输入信号是否为泄漏信号，并选用K-means聚类方法和递推最小二乘法来确定网络参数。通过用天然气管道运行的实测数据对RBF神经网络进行了训练和测试，得到结果误差在可接受的范围内，从而证明RBF神经网络的方法可用于天然气管道泄漏检测的研究。

基于径向基函数RBF神经网络的传感器故障诊断的方法研究

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。

RBF 径向基函数 (RBF) 插值 使用标准或自定义距离函数为任意维度的输入和输出值构建径向基函数。 安装 $ npm install rbf 用法 var RBF = require ( 'rbf' ) ; var points = [ [ 0 , 0 ] , [ 0 , 100 ] ] ; // values could be vectors of any dimensionality. // The computed interpolant function will return values or vectors accordingly. var values = [ 0.0 , 1.0 ] // RBF accepts a distance function as a third parameter : // either one of the follow

matlab精度检验代码皇家空军 包含用于径向基函数（RBF）应用程序的工具的Python软件包。 应用包括内插散乱数据和求解不规则域上的偏微分方程（PDE）。 此软件包的大部分灵感来自Bengt Fornberg和Natasha Flyer的著作《径向基函数的底漆及其在地球科学中的应用》和Gregory Fasshauer的《 Matlab的无网格近似方法》。 可以找到此软件包的完整文档。 特征 RBF类，用于评估RBF及其精确导数 RBFInterpolant类，用于对分散的且可能有噪声的N维数据进行插值。 也可以评估插值的精确导数 weight_matrix函数，该函数生成径向基函数有限差分（RBF-FD）权重。 这用于解决不规则域上的大规模PDE 节点生成函数，例如min_energy_nodes和poisson_disc_nodes ，用于通过频谱RBF方法或RBF-FD方法求解PDE 用于两个和三个空间维度的计算几何函数（例如，多边形测试中的点） GaussianProcess类，用于高斯过程回归（GPR）。 GPR与RBF插值相似，但它具有贝叶斯统计基础 安装 RBF需要

粒子群算法（PSO）优化的径向基函数（RBF）神经网络算法.zip

径向基函数神经网络的matlab程序，（函数逼近、拟合曲线、可改写为多输入多输出的神经网络），基于聚类的RBF 网设计算法、.基于梯度法的RBF 网络设计算法、.基于OLS 的RBF 网设计算法

Lecture.径向基函数(RBF).pdf

径向基函数（Radial Basis Functions，以下简称RBF）在数值和科学计算等领域被广泛应用，例如解微分方程、人工神经网络、曲面重建、计算机辅助设计、计算机图形学和多元插值等。RBF 插值方法不受输入参数的限制，可以进行高维插值。