在EBF網絡設計中，需要注意的是將cj和b值設計在網絡輸入有效的映射范圍內，否則高斯基函數將不能保證實現有效的映射，導致RBF網絡的失效。采用梯度下降法調節cj和b值是一種有效的方法。在RBF網絡設計中，如果將cj和b的初始值設計在有效的映射范圍內，則只調節網絡的權值便可實現RBF網絡的有效學習。

1.采用RBF神經網絡逼近模型：G(s)=133/(s^2+25s)

設計網絡結構：2-5-1

輸入變量：x(1)=u(t)=sin(t)；x(2)=y(t)“待逼近模型的輸出值”

學習率：0.5

動量因子：0.05

(1) 根據提供的傳遞函數模型可知：系統的微分方程為y''+25y'+0y=133u；

(2) 根據變化公式可直接得到系統的狀態空間表達式為：A=[0,1;-1,-25]；B=[0;133]；C=[1,0]。所以，x1'=x2；x2'=-25*x2+133u；y=x1。

%% 待逼近傳遞函數模型的“S函數表達形式”

圖1 輸入sint[-1,1]測試待逼近模型的輸出值范圍

圖2 仿真結果顯示：y(t)的取值范圍是[0,10.63]

所以，高斯基函數的中心值參數取值為：Cj=[-1,-0.5,0,0.5,1；-10,-5,0,5,10]。

bj=1.5

%% RBF神經網絡【僅調節隱藏層到輸出層權值】源程序

圖3 整體Simulink仿真模型

圖4 仿真結果

問題：在初始參數設置的時候，高斯基函數的基寬是如何選取的？

參考文獻：《RBF神經網絡自適應控制MATLAB仿真》_劉金琨

總結

以上是生活随笔為你收集整理的rbf神经网络参数设置_基于梯度下降法的RBF神经网络逼近（03）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。