2.2RBF神經網絡原理
RBF網絡是一種典型的局部逼近神經網絡，它不像全局逼近神經網絡那樣，對每個輸入輸出數據對、每一個權值均需要調整，而是調整對輸出有影響的少量幾個權值，從而使局部逼近網絡在逼近能力和學習速度方面有明顯的優勢［5］。
該RBF網絡結構為8－20－1形式。輸入層8個節點只是傳遞輸入信號到隱層，隱層20個單元通過徑向基函數實現變換后輸出到輸出層。輸出層節點只是簡單的線性函數。最常用的徑向基函數是高斯核函數(Gaussian kernel function),如式(1)所示。

其中，uj是j個隱層節點的輸出，X＝（x1，x2，…，xn)T是輸入樣本，Tj是高斯函數的中心值，σj是標準化常數，即徑向基寬度，M是隱層節點數。節點的輸出范圍在0和1之間，且輸入樣本越靠近節點的中心，輸出值越大。
網絡的輸出yi為隱層節點輸出uj的線性組合，如式(2)所示。

2.3訓練方法
由式(1)可知，該網絡要學習的參數有3類：RBF的中心、寬度和連接權重。可以分別訓練，也可同時進行。在隱節點數確定的情況下，采用遺傳算法同時訓練中心Tj、寬度σj以及隱層與輸出層的連接權重Wij。
遺傳算法是模擬生物進化過程的計算模型。它對包含可能解的群體反復使用選擇、交叉和變異操作，不斷生成新的群體，使種群不斷進化。當輸入節點較多時，該算法比傳統BP算法的全局最優性更佳，速度更快［6］。算法的適應度函數見式(3)。

其中，N為樣本數量，M為隱層節點數，b為待定系數(一般取較大的值，以保證適應度大于零)，d為期望的輸出，y為網絡的實際輸出。
擇概率S(j)見式(4)。其中，fj表示個體j的適應度。S為群體規模。

文中采用單點交叉，將兩個基因串對應交叉位的值相結合生成新的基因串。
重復選擇交叉和變異操作，直到網絡達到精度要求。