近些年来,科技的迅猛发展,使系统辨识向着更为复杂,更加严密的方向发展。模糊RBF(radial basis function,RBF)网络非线性系统辨识,融合了神经网络和模糊逻辑两者的长处,展现出了强大的非线性映射能力。但是因为训练模糊RBF网络的传统算法存在极易陷入局部极小值、早熟和辨识精度不理想等问题,所以针对这些问题进行了研究。首先,本文介绍了模糊RBF神经网络的结构以及辨识原理。针对在模糊RBF神经网络中广泛使用的最多的方法——遗传算法和BP算法存在的收敛慢、容易陷入局部极值以及辨识精度不高的缺点,提出一种基于差分进化算法(Differential Evolution Algorithm,DE)的模糊RBF网络进行非线性系统辨识的新方法。差分进化算法是一种强大的全局优化搜索方法。差分进化算法收敛快、实现简单,稳定性极强,所需领域知识少,非常适合解决复杂的寻优问题。然后,为了克服在模糊RBF网络系统辨识中梯度对网络权重变化的影响,用局部快速学习方法RPROP算法与差分进化算法组合成的——RPROP-DE算法训练模糊RBF神经网络,RPROP算法不受梯度值对权重改变的影响,而只是决定模糊RBF神经网络权值的调整方向,并将RPROP-DE算法用于系统辨识,取得了极佳的辨识性能。最后,将RPROP-DE算法和DE算法优化的辨识效果进行了比较,实验结果证明基于RPROP-DE算法的辨识误差和辨识精度都要优于DE算法优化的辨识方法。