RBF

利用Matlab进行RBF学习的详细步骤。

输入层：感知单元连接网络和环境隐含层：非线性变换，输入空间到隐层空间输出层：线性，响应训练数据

Matlab开发的径向基函数/薄板样条函数和二维图像扭曲演示。

在matlab环境中，这份完整的RBF神经网络代码十分优秀。

在这个模拟中，我为非线性系统的零阶近似实现了RBF-NN。模拟包括蒙特卡罗模拟设置和RBF NN代码。对于系统估计，使用具有固定中心和扩展的高斯核。而RBF-NN的权重和偏差使用基于梯度下降的自适应学习算法进行优化。引文：Khan, S., Naseem, I., Togneri, R.等。电路系统信号处理(2017) 36: 1639. doi:10.1007/s00034-016-0375-7 https://link.springer.com/article/10.1007/s00034-016-0375-7

RBF神经网络识别图像的算法，通过训练后与对应图片进行仿真。

包括建模、预测和聚类等功能的七个RBF神经网络的源代码。这些代码涵盖了多个应用领域，展示了RBF网络在不同任务中的应用方式。

这是一个展示在Matlab中使用RBF网络逼近非线性函数的实例，帮助读者理解其应用。所包含的文件有：20090630152009375.jpg 和结果文件：20090630151956218.jpg。

本PPT详细介绍了RBF神经网络的具体实现方法，适合初学者理解和学习。内容包括RBF网络结构、参数调整方法及应用示例。

DBAK-RBF: 基于动态重心平均核的RBF网络时间序列分类 该代码库提供了一种新的时间序列分类方法：动态重心平均核径向基函数网络 (DBAK-RBF)，相关论文已被 IEEE Access 收录。 核心内容 动态重心平均核 (DBAK): 基于改进的高斯动态时间规整 (AGDTW) 算法。 利用 k 均值聚类和基于 DTW 的平均算法 (DTW 重心平均，DBA) 确定核中心。 引入归一化项以增强训练过程的稳定性。 DBAK-RBF 网络: 集成 DBAK 作为核函数。 有效处理时移不变性、复杂动力学和不同时间数据长度带来的挑战。 代码结构 DBAKRBF/: 包含 DBAK-RBF 网络及其组件分析的源代码。 基于 https://github.com/habi/dynamic-time-warping 进行开发。 DBAKRBF/costFunctionRBFN.m: 计算 DBAK-RBF 网络的成本和梯度。