基于径向基神经网络的数据回归预测MATLAB代码

基于麻雀算法(SSA)优化径向基神经网络SSA-RBF时间序列预测。 matlab代码，优化参数为扩散速度，采用交叉验证。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

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。

这是介绍径向基神经网络的视频，非常简单适用，适合从来不知道神经网络为何物的菜鸟。由于本人权限问题，只能分成5部分上传。为了方便大家下载，只有第一部分收资源分。这是第一部分。

采用神经网络和遗传算法, 对温室栽培番茄生长过程中主要器官——茎的生长过程进行了建模. 温室番茄
的生长过程具有控制变量多、生长过程复杂等特点. 采用基于径向基函数(RBF) 神经网络的辨识方法建立了温室栽
培番茄生长的模型, 以温室中番茄的实测数据为训练和预测样本, 采用遗传算法进行训练. 仿真结果表明, 该方法较
其他方法更适合于温室番茄生长过程的建模.

基于径向基神经网络（RBFNN）的数据预测模型（Python实现），压缩包中源码RBFNN.py为模型的训练过程，训练结束后会保存训练好的的模型参数，test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括各种误差指标，.npy文件为训练后生成的中心点、宽度向量等参数，train.csv为训练数据集，test.csv为测试数据集。

径向基(Radial Basis Function:RBF)神经网络学习笔记-附件资源

MATLAB峭度代码

径向基函数用于函数逼近和插值。 这个包支持两种流行的 rbf 类：高斯样条和多谐样条（薄板样条是其中的一个子类）。 该包还计算两点之间的线积分以及表面的梯度。 有关更多信息，请参阅 blog.nutaksas.com 以获取学术论文。

在这篇论文中,我们提出了一个使用局部支撑径向基函数对三维散乱点进行Hermite插值或逼近的快速曲面重构方法.通过构造给定数据点集的一个层次结构,采用逐层精化的方式实现了全局曲面重构的效果,解决了因使用局部支撑径向基函数导致的问题.另外,设计一个基于逼近误差导向的径向基函数中心点选择策略,减少每层进行插值的数据点,从而使Hermite径向基函数曲面重构方法能处理百万以上规模的点云数据.实验结果显示,我们的方法还适用于极度非均匀分布或带噪声的点云数据的曲面重构.