相关向量机的MATLAB代码，经过验证是正确的，很实用推荐相关向量机（Relevancevectormachine,简称RVM）是Tipping在2001年在贝叶斯框架的基础上提出的，它有着与支持向量机（Supportvectormachine,简称SVM）一样的函数方式，与SVM一样基于核函数映射将低维空间非线性问题转化为高维空间的线性问题。
RVM原理步骤RVM通过最大化后验概率（MAP）求解相关向量的权重。
对于给定的训练样本集{tn,xn}，类似于SVM,RVM的模型输出定义为y(x;w)=∑Ni=1wiK(X,Xi)+w0其中wi为权重，K(X,Xi)为核函。
因此对于,tn=y(xn,w)+εn,假设噪声εn服从均值为0,方差为σ2的高斯分布,则p(tn|ω,σ2)=N(y(xi,ωi),σ2),设tn独立同分布,则整个训练样本的似然函数可以表示出来。
对w与σ2的求解如果直接使用最大似然法，结果通常使w中的元素大部分都不是0，从而导致过学习。
在RVM中我们想要避免这个现像，因此我们为w加上先决条件：它们的机率分布是落在0周围的正态分布:p(wi|αi)=N(wi|0,α?1i),于是对w的求解转化为对α的求解，当α趋于无穷大的时候，w趋于0.RVM的步骤可以归结为下面几步：1.选择适当的核函数，将特征向量映射到高维空间。
虽然理论上讲RVM可以使用任意的核函数，但是在很多应用问题中，大部分人还是选择了常用的几种核函数，RBF核函数，Laplace核函数，多项式核函数等。
尤其以高斯核函数应用最为广泛。
可能于高斯和核函数的非线性有关。
选择高斯核函数最重要的是带宽参数的选择，带宽过小，则导致过学习，带宽过大，又导致过平滑，都会引起分类或回归能力的下降2.初始化α，σ2。
在RVM中α，σ2是通过迭代求解的，所以需要初始化。
初始化对结果影响不大。
3.迭代求解最优的权重分布。
4.预测新数据。

RBF神经网络逼近函数、辨识模型，包括隐含层参数调整和权值参数调整，还有移植性超好的S函数哦。
simulink法式~

RBF三种进修方法源码(k-means、梯度、OLS)

双边滤波器源码（MATLAB版本），相关资源地址：原作者网站1：http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/MANDUCHI1/Bilateral_Filtering.html#IntroductionMATLAB版本源码下载地址2：http://www.mathworks.com/matlabcentral/fileexchange/12191-bilateral-filteringFastBilateralFilter3：http://people.csail.mit.edu/sparis/bf/相关引见的博客4：http://blog.csdn.net/abcjennifer/article/details/7616663

《MATLAB神经网络43个案例分析》是在《MATLAB神经网络30个案例分析》的基础上修改、补充而成的，秉承着“理论讲解—案例分析—应用扩展”这一特色，帮助读者愈加直观、生动地学习神经网络。
《MATLAB神经网络43个案例分析》共有43章，内容涵盖常见的神经网络(BP、RBF、SOM、Hopfield、Elman、LVQ、Kohonen、GRNN、NARX等)以及相关智能算法(SVM、决策树、随机森林、极限学习机等)。
同时，部分章节也涉及了常见的优化算法(遗传算法、蚁群算法等)与神经网络的结合问题。
此外，《MATLAB神经网络43个案例分析》还介绍了MATLABR2012b中神经网络工具箱的新增功能与特性，如神经网络并行计算、定制神经网络、神经网络高效编程等。
使用《MATLAB神经网络43个案例分析》时，建议读者按照“先通读章节内容，后调试程序，再精读章节内容”的顺序学习。
《MATLAB神经网络43个案例分析》程序建议在MATLABR2009a及以上版本环境下运行。
若在程序调试过程中有任何疑问，建议先在论坛书籍答疑版块搜索相关答案，然后再发帖与作者交流。
《MATLAB神经网络43个案例分析》可作为高等学校相关专业学生本科毕业设计、研究生课题研究的参考书籍，亦可供相关专业教师教学参考。

本文对无线传感器网络中不同的定位算法对定位误差的影响进行了研讨比较。
采用的定位算法有：基于测距的RSSI-MLE，RSSI-BP，RSSI-RBF和距离无关的HOP-BP，HOP-RBF，VN-BP，VN-RBF七种定位算法。
在相同的仿真条件下，利用Matlab对这七种定位算法进行仿真研讨。

一种粒子群算法优化的rbf神经网络，python完成，这是一次课程作业

粒子群算法（pso）优化rbf神经收集

图片变形算法IDW和RBF（附c++源码）-附件资本

经过聚类优化RBF神经网络参数，拟合曲线的小程序

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。