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）

在EBF网络设计中，需要注意的是将cj和b值设计在网络输入有效的映射范围内，否则高斯基函数将不能保证实现有效的映射，导致RBF网络的失效。采用梯度下降法调节cj和b值是一种有效的方法。在RBF网络设计中，如果将cj和b的初始值设计在有效的映射范围内，则只调节网络的权值便可实现RBF网络的有效学习。

1.采用RBF神经网络逼近模型：G(s)=133/(s^2+25s)

设计网络结构：2-5-1

输入变量：x(1)=u(t)=sin(t)；x(2)=y(t)“待逼近模型的输出值”

学习率：0.5

动量因子：0.05

(1) 根据提供的传递函数模型可知：系统的微分方程为y''+25y'+0y=133u；

(2) 根据变化公式可直接得到系统的状态空间表达式为：A=[0,1;-1,-25]；B=[0;133]；C=[1,0]。所以，x1'=x2；x2'=-25*x2+133u；y=x1。

%% 待逼近传递函数模型的“S函数表达形式”

图1 输入sint[-1,1]测试待逼近模型的输出值范围

图2 仿真结果显示：y(t)的取值范围是[0,10.63]

所以，高斯基函数的中心值参数取值为：Cj=[-1,-0.5,0,0.5,1；-10,-5,0,5,10]。

bj=1.5

%% RBF神经网络【仅调节隐藏层到输出层权值】源程序

图3 整体Simulink仿真模型

图4 仿真结果

问题：在初始参数设置的时候，高斯基函数的基宽是如何选取的？

参考文献：《RBF神经网络自适应控制MATLAB仿真》_刘金琨