RBFNN是一种使用径向基函数作为激活函数的人工神经网络。图显示了RBFNN的结构。RBFNN是一种三层前馈神经网络。第一层是线性的，只分配输入信号，而下一层是非线性的，使用高斯函数。第三层线性组合高斯输出。在训练过程中，只修改隐藏层和输出层之间的抽头权重。
RBFNN有5个优化参数:
1-隐藏层和输出层之间的权重。
2-激活功能。
3-激活功能的中心。
4-激活函数中心分布。
5-隐藏神经元的数量。
利用Moore-Penrose广义伪逆计算隐层和输出层之间的权值。该算法克服了传统梯度算法存在的停止准则、学习率、迭代次数和局部极小值等问题。由于训练时间短，泛化能力强，适合实时应用。
在模式识别应用中，选择的径向基函数通常是高斯核函数。
激活函数的中心和分布一般应具有与数据相似的特征。在这里，使用Kmeans聚类算法选择高斯分布的中心和宽度。
基于通用逼近理论，当隐藏神经元数量足够多时，激活函数的中心和分布是不确定的，可以认为具有足够隐藏神经元数量的单隐层前馈网络可以逼近任意函数到任意精度水平。
---------------------------------------------------------------------------------
本守则适用于下列文件:
1.张晓明，张晓明，“基于k -均值分割和径向基函数神经网络的目标跟踪”，《信息通信技术研究》，vol. 4, no. 5。1, pp. 29-39, 2011年12月。
2.A. Asvadi, M. Karami, Y. Baleghi, H. Seyyedi，“基于径向基函数神经网络的改进目标跟踪”，第7届伊朗机器视觉与图像处理(MVIP2011)，德黑兰，伊朗，2011年11月。
---------------------------------------------------------------------------------
“统计与机器学习工具箱”中的“mvnrnd”用于生成样本数据点。