基于RBF神经网络的监督控制MATLAB代码设计，被控对象为G(s)=1000/(s^3+87.35s^2+10470s)，采样周期1ms，参考信号为0.5*sign(sin(2*2*pi**t))

以下是基于RBF神经网络的监督控制MATLAB代码设计：

% 定义被控对象
G = tf([1000],[1, 87.35, 10470, 0]);

% 设置采样周期
Ts = 0.001;

% 定义参考信号
t = 0:Ts:10;
r = 0.5*sign(sin(2*2*pi*t));

% 构造RBF神经网络控制器
net = newrb([],[],[],4,10,1);

% 初始化控制器参数
W = net.IW{1,1};
B = net.b{1};

% 定义误差和控制量
e = 0;
u = 0;

% 设置仿真时间
Tsim = 10;

% 开始仿真
for k = 1:Tsim/Ts
    % 计算误差
    y = lsim(G, u, [0:Ts:Ts]);
    e(k) = r(k) - y(end);
    
    % 计算控制量
    phi = radbas(W*e(k)+B);
    u(k+1) = sim(net, phi);
    
    % 更新控制器参数
    net = adapt(net, phi, u(k+1));
    W = net.IW{1,1};
    B = net.b{1};
end

% 绘制结果图像
subplot(3,1,1);
plot(t,r,'r',t,y,'b');
title('Reference Signal Tracking');
xlabel('Time (s)');
ylabel('Output');

subplot(3,1,2);
plot(t,e);
title('Error Signal');
xlabel('Time (s)');
ylabel('Error');

subplot(3,1,3);
plot([0:Ts:Tsim],u);
title('Control Signal');
xlabel('Time (s)');
ylabel('Control Input');

这段代码首先定义了被控对象G(s)，采样周期Ts和参考信号r。然后使用newrb函数构造了一个具有4个输入神经元、10个隐藏神经元和1个输出神经元的RBF神经网络控制器，然后初始化了控制器参数W和B。

在仿真过程中，首先通过lsim函数计算出当前时刻的输出y，然后计算误差e和控制量u。使用radbas函数计算RBF网络的激活函数值phi，然后使用sim函数计算出控制器的输出。最后使用adapt函数更新控制器的参数W和B。

最后，绘制了参考信号、误差信号和控制信号的图像。