Nonlinear System Identification using RBF Neural Network
Nonlinear System Identification using RBF Neural Network
Vous suivez désormais cette soumission
- Les mises à jour seront visibles dans votre flux de contenu suivi
- Selon vos préférences en matière de communication il est possible que vous receviez des e-mails
In this simulation I implemented an RBF-NN for the zero order approximation of a nonlinear system. The simulation includes Monte Carlo simulation setup and the RBF NN code. For system estimation Gaussian kernels with fixed centers and spread are used. Whereas, the weights and the bias of the RBF-NN are optimized using the gradient descent-based adaptive learning algorithm.
Citation:
Khan, S., Naseem, I., Togneri, R. et al. Circuits Syst Signal Process (2017) 36: 1639. doi:10.1007/s00034-016-0375-7
https://link.springer.com/article/10.1007/s00034-016-0375-7
Citation pour cette source
Shujaat Khan (2026). Nonlinear System Identification using RBF Neural Network (https://fr.mathworks.com/matlabcentral/fileexchange/66322-nonlinear-system-identification-using-rbf-neural-network), MATLAB Central File Exchange. Extrait(e) le .
Remerciements
Inspiré par : Function approximation using "A Novel Adaptive Kernel for the RBF Neural Networks", Mackey Glass Time Series Prediction using Radial Basis Function (RBF) Neural Network
A inspiré : Nonlinear System Identification using Spatio-Temporal RBF-NN
Catégories
En savoir plus sur Function Approximation and Clustering dans Help Center et MATLAB Answers
Informations générales
- Version 1.0.0.0 (47,3 ko)
Compatibilité avec les versions de MATLAB
- Compatible avec toutes les versions
Plateformes compatibles
- Windows
- macOS
- Linux
| Version | Publié le | Notes de version | Action |
|---|---|---|---|
| 1.0.0.0 |
