搜索资源列表
rbf
- RBF网络训练程序C++源代码，可以完成网络训练和网络测试功能。-RBF the network training procedure C source code, may complete the network training and the network test function.
RBF
- RBF神经网络用于分类与回归,有效实现RBF网络
RBF
- 主要完成对RBF网络用于函数逼近的功能,是一种在逼近能力、分类能力和学习速度等方面均优于BP网络的网络。
RBF
- MATLAB建模RBF网络仿真出训练曲线和拟合曲线！验证过了！还不错！
rbf
- 一个关于RBF的神经网络算法，对学习RBF网络的同志有很大帮助和引导。-one of the RBF neural network algorithm, to learn RBF network comrades great help and guidance.
rbf 网络设计实例
- 人工神经网络网络设计实例，我运行过结果正确。可以-The artificial nerve network network design example, I move the result am correct. May have a try
RBF网络遗传算法优化程序
- 里面有原始数据，是用PSO优化的RBF，只要把数据更改一下就可以运用到自己身上。
gao-pso-rbf
- 利用GA算法来优化RBF网络中的各种权值
基于RBF神经网络的CPI预测
- 采用RBF神经网络的结构、特性和训练算法，根据CPI(消费者物价指数)与其影响因素之间存在的映射关系，应用神经 网络建立了多因素非线性时间序列预测模型。最后通过仿真实验和研究，把RBF神经网络与传统的BP网络预测结果进行比较，结果证明，该模型的预测精确度更高，结果令人满意。
nn.rar
- 内含用MATLAB编写的三个神经网络应用实例，包括BP网络和RBF网络,Using MATLAB includes the preparation of the three neural network application, including the BP network and RBF network
RBF
- RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。(RBF network can approximate any nonlinear function, regularity can handle within the system to parse, has good generalization ability and
Untitled2
- k—means函数，RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。(k-means function, RBF network can approximate any non-linear function, can deal with difficult-to-resolve regularity in the sys
模拟退火算法
- 提出了一种基于粒子群优化(PSO)算法的径向基(RBF)网络参数优化算法,首先利用减聚类算法确定网络径向基函数中心的个数,再用PSO算法优化径向基函数的中心及宽度,最后用PSO算法训练隐含层到输出层的网络权值,找到神经网络权值的最优解,以达到优化神经网络学习的目的。最后,通过一个实验与最小二乘法优化的神经网络进行了比较,验证了算法的有效性。(Particle swarm optimization (PSO) optimization of RBF network)
RBF of continuous state equation
- RBF网络的逼近器对连续系统进行逼近的仿真程序(Approximation Simulation Program for Continuous Systems by Approximators of RBF Networks)
RBF高斯基函数及逼近器S函数设计仿真
- RBF网络的高斯基函数及逼近器S函数设计仿真(Gaussian Function and Approximator S Function Design and Simulation of RBF Network)
RBF网络的回归--非线性函数回归的实现
- RBF网络的回归--非线性函数回归的实现(The regression of RBF Network -- the realization of nonlinear function regression)
RBF_Adaptive Law
- 基于不确定逼近的RBF网络自适应控制 基于机械臂(RBF Network Adaptive Control Based on Uncertain Approximation)
rbf
- RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。 简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调参数（权值或阈值）对任何一个输出都有影响时，这样的网络称为全局逼近网络。由于对于每次输入，网络上的每一个权值都要调整，从而导致全局逼近网络的学习速度很慢。BP网络就是一个典型的例子。(RBF network
BP神经网络股票预测
- 分别采用BP网络和RBF网络进行数据预测 在600085这个数据表中，以XZSLX综合作为输入，以收盘价作为输出 以前595个数据作为训练样本，后100个数据作为实际输出。 通过训练数据建立模型，最终输出100个预测的股票收盘价。 将预测的收盘价和实际的收盘价进行对比并求取误差，从而判断所建立模型的准确性。 BP神经网络调用newff函数实现。(In the data table of 600085, XZSLX synthesis is used as input and closing pr
RBF网络的回归-非线性函数回归的实现
- RBF网络的回归-非线性函数回归的实现 注意： chapter7.1.m为严格(Exact)径向基网络来实现非线性的函数回归 chapter7.2.m为RBF网络对同一函数拟合