1、“.....这类网络的学习等价于在多维空间中寻找数据的最佳拟合平面。径向基函数网络的每个隐层神经元传递函数都构成了拟合平面的个基函数，网络由此而得名。径向基函数网络是种局部逼近网络，即对于输入空间的个局部区域只存在少数的神经元用于决定网络的输出。我们熟悉的网络则是典型的全局逼近网络，即对每个输入输出数据对，网络的所有参数均要调整。由于二者的构造本质不同，径向基函数网络与网络相比规模通常较大，但学习速度较快，并且网络的函数逼近能力模式识别与分类能力都优于后者。径向基函数的结构个典型的径向基函数网络包括两层，即隐层和输出层。图是径向基函数网络的结构图。图径向基函数网络结构图其中......”。

2、“.....模块为求取输入矢量和权值矢量的距离为径向基隐层神经元的阈值为输出层神经元的阈值为输出层神经元的权值矩阵。输入层节点只传递输入信号到径向基隐层。隐层节点的传递函数采用高斯函数，高斯函数是典型的径向基函数，其表达式为，式中，是高斯函数的输入是高斯函数的输出。高斯函数曲线如图图高斯径向基函数曲线由图可见高斯函数对输入信号在局部产生响应，具有局部逼近能力。当输入信号靠近基函数的中央范围时，隐层节点产生较大输出，当输入信号远离基函数中央时，隐层节点输出减小。隐层节点的输入为，式中，是隐层输入矢量是隐层权值矩阵是隐层阈值。隐层节点的输出为式中表示隐层输出矢量的第个元素是隐层阈值矢量的第个元素表示第个隐层神经元的权值矢量，即的第行。隐层节点的阈值为式中，为分散度，当隐层节点输出为时，输入矢量与权值矩阵的距离等于，和确定了径向基函数的激活函数范围，越小，越大......”。

3、“.....输出层节点通常是简单的纯线性函数，纯线性函数的输出等于其输入。输出层节点的输出为神经网络设计神经网络的生成及初始化函数可用来精确设计径向基函数网络，所谓精确，是指该函数生成的网络对于训练样本数据达到了零误差。函数的调用形式，径向基函数网络主要用于解决函数逼近问题。径向基函数网络由两层神经元构成，网络的第层为径向基层，神经元传递函数为，加权函数为，输入函数为第二层神经元的传递函数为纯线性函数，加权函数为，输入函数为其中，分别为输入样本矢量集和输出目标矢量集构成的矩阵为网络的均方差性能指标为扩展常数，缺省值为神经元个数最大值，缺省值为输入样本矢量的个数为训练过程的显示频率，缺省值为。该函数利用迭代方法建立网络，开始时网络径向基层的神经元个数为零，然后每迭代次，径向基层就添加个神经元。在每次迭代中......”。

4、“.....然后径向基层添加个神经元并把权值设为该输入矢量，最后再修改线性层的权值以达到最小误差。神经网络的训练训练神经网络的关键是根据给定训练样本，快速有效地确定径向基函数的中心阈值和输出层权值矩阵。利用的函数设计训练径向基神经网络，该函数采用迭代法确定径向基函数的中心，开始时径向基隐层神经元个数为零，每迭代次增加个神经元。迭代时，网络首先进行仿真并找出对应于最大输出误差的输入样本矢量。然后，以该量为权值添加个径向基神经元，直到平方和误差下降到目标误差以下或隐层神经元个数达到最大值时停止迭代。隐层阈值的确定，般由训练样本的样本距离和样本范围决定，的取值大于两个相邻样本点的最大距离，而小于样本范围。当隐层神经元的参数确定后，根据训练样本，利用最小二乘法可求出输出层权值矩阵。神经网络的仿真利用函数可以对训练后的网络进行仿真。实例实例同分段线性化中数据，用软件数据处理......”。

5、“.....设置参数网络的均方差性能指标为，神经元个数最大值，训练过程的显示频率，扩展常数，语句对神经网络进行训练，语句对神经网络进行仿真。绘制曲线，曲线为，曲线为。仿真图如图仿真结果最大误差为改变最大神经元的个数，观察曲线变化及最大误差变化情况，如表。表不同神经元个数误差比较表神经元个数最大误差神经网络仿真如图图图神经元个数为的网络仿真图神经元个数为的网络仿真结果分析表中随着最大神经元的个数增加，最大误差减小，可以明显看到图的曲线比图的曲线变得平滑了。泛化性分析神经元个数与训练误差及泛化误差的关系如表表不同神经元个数误差比较神经元个数训练误差泛化误差不同神经元个数比较如图图图图神经元个数为的泛化性能比较图图神经元个数为的泛化性能比较图图神经元个数为的泛化性能比较图结论训练误差随着神经元个数的增加而减小，泛化误差随着神经元个数的增加先减小后增加。神经元个数过少......”。

6、“.....根本无法拟合曲线，就连训练样本的误差都达不到个满意值神经元个数过多，会产生过度吻合，也就是说随着神经元个数增加，虽然训练样本的误差越来越小，但测试样本的误差越来越大，泛化性能越来越差。神经元个数要取个合适值，才能保证网络既有定的训练精度，又有定的泛化精度。温度影响研究神经网络与神经网络类似，也存在温度影响。利用编程原数据曲线仿真后曲线图温度影响神经网络图受温度影响的神经网络的编程与原程序近似，先用生成个网络，设置参数网络的均方差性能指标为，扩展常数，神经元个数最大值，训练过程的显示频率，语句对神经网络进行训练，语句对神经网络进行仿真，但仿真是每个温度下依次仿真。绘制三维图用函数如图改变神经元的个数，观察曲线变化及最大误差变化情况，如表......”。

7、“.....般采用传感器对被测参数进行拾取和转换，传感器的输入输出特性直接影，，，，，，，，，，，，热电偶神经网络模块传感器测量温度，热电偶是工业界常用的。热电偶电压和温度是非线性的。热电偶的自动校准系统，实现热电偶温度转移的表需要大量的记忆。所以，建立数学模型，它可以实现热电偶温度的转移和改进测量精度。热电偶数学模型包括两种形式，分段线性拟合和分段多项式拟合。用分段闭合的原因是发现模块简单，较大的计算及适应能力差。然而神经网络的模块具有高速率，并行计算能力和非线性转移的特性。它可以学习，在任何时候，都有很高的工作效率，比起常用的发现模块的手段，神经网络深入对象而且可以得到简单的数学模型表达式。这些表现形式的权重向量和漂移载体。用径向基函数网络神经网络，以形成预测模型热电偶。该模型有三个层次，输入层，隐层和输出层......”。

8、“.....序号隐藏结点的输出，是重要的模式。模式的输出是温度和隐层的功能是高斯。的输出是如输入样本，是序号中心的高斯价值。是标准偏差，然后输出的输出层是在式中，是神经元的价值有限。公式表明，神经网络与输出呈线性关系。因此，相当神经网络，的学习速度快。研究过程包括两部分，第部分是得到中心向量，其中每个交界处的功能是高斯在隐层和标准不断根本输入样本改变。第二部分是经过已经决定的隐层参数，在隐层获得重量和根据样本的输出层和原则。第二部分完成后，调整参数，隐层和输出层，以提高网络的精度。当样本存在，整个误差函数的训练样本是是样本的对数，是出路口的数目。是序号神经网络根据样本值的理想输出，是序号神经细胞的根据样本值的实际输出值。在工业方面，函数是指转换热电偶电压和温度之间的关系。其中是热电偶电压，是摄氏温度。是具体到每个热电偶型的正系数，型热电偶作为研究对象进行分析......”。

9、“.....保持型热电偶冷端温度为。热电偶温度的变化幅度是，选择组数据作为训练样本的神经网络，在表中从作为开始，每作为个基准。规范输入日期，并训练神经网络。收回输出基准，以及价值观的温度是有很大的好处，比较预测值神经网络与价值观和得到由与标准值，误差示于图，。图基于神经网络曲线图基于方程误差曲线从图和图我们可以看出，误差基于神经网络是除两个百分点而误差基方程更高。致谢在这几个月做毕业论文的时间里，遇到了很多的问题，很多不懂的地方。曹老师对我进行了非常细致的指导和帮助，让我遇到的很多问题都迎刃而解。同时，曹老师还给了我很多的资料，教给了我很多的方法，也使我自己学到了很多新的东西。在此，我对指导我做毕业设计的曹老师表示衷心的感谢，感谢曹老师细心的指导和帮助。响整个系统的性能和测量精度。然而，传感器的输入输出特性往往存在非线性，并受多种环境因素的影响。为了克服上述因素的影响......”。