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

大坝变形蚁群聚类径向基函数神经网络安全监控预测模型.pdf

现实场景中存在很多小样本量数据集而且多有失真，传统神经网络在处理这类数据时泛化能力较差，不能达到预测数据或分类的目的。迁移学习可通过学习数据集A有用的知识对与其相关但不同正态分布的小样本数据集B进行辅助学习，因此提出了具有迁移学习能力的神经网络，以实现更好的分类或逼近效果。以基于ε-不敏感准则和结构风险的径向基神经网络（RBF）为基础构造了迁移径向基神经网络（T-RBF-NN）。通过加噪音数据集实验以及真实数据集实验验证加入迁移学习的神经网络在小样本情况下比传统神经网络具有更好的泛化性和鲁棒性。

提出一种基于径向基函数神经网络的改进聚类方法，并将此改进的神经网络应用于语音识别领域，建立一个非特定人的孤立词语音识别系统。此聚类方法采取有监督的学习方式，将训练样本的形心作为隐节点的质心，训练样本的分类数作为隐节点的个数。利用该方法对小词表汉语孤立词进行语音识别。结果表明，采用此算法的径向基函数的神经网络具有更好的分类能力，训练速度和识别率均优于传统的径向基函数网络。

径向基函数神经网络进行异或分类，首先在4个象限随机生训练数据，然后进行FCM聚类，取4个隐层神经元代表分成4类，最后通过伪逆求出输出层神经元权重，输出通过0和1区分

为了提高矿井火灾探测器对环境的适应力和抗干扰能力,采用逼近能力、分类能力和学习速度等方面优于BP网络的径向基函数神经网络,在MATLAB环境下构建火灾探测仿真模型,以温度、烟雾浓度、CO气体浓度作为输入,进行多信息数据融合,达到矿井火灾探测目的。仿真结果表明,该方法对明火、阴燃火和无火概率的识别误差均小于5%,可大幅降低火灾报警的漏报和误报率。模糊系统和神经网络相结合的手段,能有效监测矿井火灾的产生,对于智能火灾报警系统研究具有参考价值。

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

该资源为RBF神经网络的分类和回归，简单而实用

RBF径向基函数神经网络,内附训练方法等，注重理论的说明，适用用论文撰写引用。使之具有初步研究RBF神经网络的能力。

基于高斯径向基函数的神经网络的PID控制，分为系统模块，神经网络模块，高斯径向基函数神经网络的S函数实现。