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。

matlab小波基函数代码哈尔变换 在数学中，Haar 小波是一系列重新缩放的“方形”函数，它们一起形成小波族或基。 小波分析类似于傅立叶分析，因为它允许根据正交基来表示区间上的目标函数。 Haar 序列现在被认为是第一个已知的小波基，并被广泛用作教学示例。 参考： 运行代码的步骤： 打开 MATLAB 并选择 haar.m 的存储路径。 将两个参数 'image_name' 和 'threshold' 传递给函数 haar.m 单击运行，将显示新图像并将其写入当前文件夹。 ** 对于大小为 1.42MB 的图像，所用时间为：3232.991766 秒。 压缩大小：192KB

径向基函数/薄板样条二维图像变形。 [imo,mask] = rbfwarp2d(im, ps, pd, 方法) 输入： im：图像二维矩阵ps：二维源地标[n*2] pd: 2d destin 地标 [n*2] 方法： 'gau',r - 对于高斯函数 ko = exp(-|pi-pj|/r.^2); 'thin' - 对于薄板函数 ko = (|pi-pj|^2) * log(|pi-pj|^2) 输出： imo：输出矩阵mask : 输出矩阵的掩码，0/1 表示出/入边界佛罗里达州布克斯坦“主要翘曲：薄板样条和变形的分解。” IEEE 翻译模式肛门。 马赫。 英特尔。 11, 567-585, 1989。 灵感来自https://cn.mathworks.com/matlabcentral/fileexchange/24315-warping-using-thin-plate-spl

径向基函数是某种沿径向对称的标量函数，通常定义为样本到数据中心之间径向距离（通常是欧氏距离）的单调函数（由于距离是径向同性的）

支持向量机使用不同基函数对分类结果的影响； 附带高质量数据集，可以重复使用，修改测试代码； 加深对于支持向量机的理解和应用； 适合机器学习初学者，巩固基础知识，强化基础理论的学习和应用。

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

小波基函数 将信号在这个函数系上分解，就得到连续小波变换

三角基函数神经网络算法在数值积分中的应用研究.docx

径向基函数神经网络模型与学习算法.ppt