RBF网络特点及其在matlab智能控制课件中的应用

与BP神经网络相比，GRNN具有以下优点：(1) 网络的训练是单程进行，无需迭代。(2) 隐含层神经元个数由训练样本自动适应确定。

Matlab语言以每个变量代表矩阵的形式出现，每个矩阵可包含多个元素。每个元素视为复数。其人机界面简单易用，且拥有强大的图形功能及丰富的可扩展性。

以基因编码为初始种群范围为(-1,1)的编码停止,进行线性规划以线性规划的解作为符合函数,选择交叉和变异,产生下一代输出结束开始。

c语言实现了RBF神经网络对Mackey-Glass时间序列的预测。这种方法利用了RBF神经网络在处理非线性时间序列数据方面的优势。

神经网络控制在MATLAB智能控制课程中取得了显著进展。这包括基于神经网络的系统辨识，能够在已知常规模型结构的情况下估计模型参数，或利用神经网络的线性和非线性特性建立系统的静态、动态、逆动态和预测模型。此外，神经网络作为控制器，有效地控制不确定或未知系统，实现所需的动态和静态特性。神经网络还与专家系统、模糊逻辑和遗传算法等结合，形成新型控制策略。

该模型采用了http://dx.doi.org/10.1109/TNN.2004.824268中提出的想法。实现了http://www.mathworks.com/matlabcentral/fileexchange/49023-b-spline-based-repetitive-neurocontroller中描述的一些修改。由Michal Malkowski为http://www.mathworks.com/matlabcentral/fileexchange/49077-b-spline-network-based-repetitive-controller--c-code开发的非常简洁的C代码（但仍然可读）是用过的。该工厂与http://www.mathworks.com/matlabcentral/fileexchange/48791-iterative-lear进行了结合，形成了一个基于B样条网络的重复控制模型，并在Matlab环境中实现了这一过程。

专家控制在Matlab智能控制课件及程序中具有独特特性：其灵活性允许根据系统状态和误差情况选择最佳控制律；适应性使其能根据专家经验调整控制器参数，以应对不同对象特性和环境变化；而鲁棒性则确保系统能在非线性和大误差情况下可靠运行。

MATLAB语言以其简洁紧凑的特点，以及丰富的库函数，正在广泛应用于科技开发领域。其灵活的编程形式不仅简化了编程工作，还提高了开发效率。用户可以充分利用专家编写的库函数，无需担心功能可靠性。

数学建模在教学方面具有重要意义，特别是MATLAB工具在此过程中的应用极大地促进了学生对数学建模的理解与掌握。