系统辨识是控制理论设计的基础。传统的辨识算法往往是建立在线性系统理论基础上的,对非线性系统的辨识仍然存在困难。神经网络具有较强的逼近非线性函数的能力,并具有自适应学习、并行分布处理和较强的鲁棒性及容错性等特点,为解决未知不确定非线性系统的建模和控制问题提供了一种有效途径。 径向基函数神经网络是一种新颖有效的前馈式神经网络,它具有其他前向网络所不具有的最佳逼近的性能和全局最优的特性。并且结构简单,训练速度快。因此,径向基函数神经网络运用于系统辨识时有其独特的优势。在RBF神经网络中,隐层中心的数量和位置的选择是整个网络性能优劣的关键,直接影响网络的逼近能力。本文在研究RBF网络传统学习算法的基础上,提出了基于遗传算法的RBF神经网络优化算法。 本文提出的算法在应用遗传算法优化网络参数的同时自动配置网络结构。既避免了传统算法易陷入局部极小点的缺点,又不需要通过大量实验或凭经验预先指定网络结构。通过仿真实验证明,具有较好的逼近能力和泛化能力。 最后,将用本算法优化的RBF神经网络用于非线性系统的辨识,通过仿真实验表明,具有较好的辨识精度,并且具有较好的泛化能力。