继续以上内容，请使用matlab Function，以LMS算法，编写一个RBF 神经网络模块，并自身具有多次迭代训练的功能

好的，以下是一个使用 LMS 算法实现 RBF 神经网络模块，并具有多次迭代训练功能的 Matlab Function 代码示例：

function [W, MSE] = RBF_LMS_train(X, D, mu, sigma, K, epochs)
% X: 输入数据
% D: 目标输出
% mu: 学习率
% sigma: RBF 网络参数
% K: 隐层节点数
% epochs: 迭代次数
% W: RBF 网络权值
% MSE: 均方误差

% 初始化 RBF 网络权值
W = randn(K, size(X, 2));

% 初始化均方误差
MSE = zeros(epochs, 1);

for i = 1:epochs
    % 计算 RBF 网络输出
    H = exp(-sum((repmat(X, K, 1) - kron(W, ones(size(X, 1), 1))).^2, 2)/(2*sigma^2));
    
    % 计算误差
    E = D - H;
    
    % 更新 RBF 网络权值
    W = W + mu * E' * (H .* (repmat(X, K, 1) - kron(W, ones(size(X, 1), 1)))) / sigma^2;
    
    % 计算均方误差
    MSE(i) = mean(E.^2);
end
end

该函数接受输入数据 X 和目标输出 D，以及学习率 mu、RBF 网络参数 sigma、隐层节点数 K 和迭代次数 epochs。在每次迭代中，该函数会根据输入数据和当前的权值计算 RBF 网络输出，然后使用 LMS 算法更新权值，并记录均方误差。在训练完成后，该函数会返回最终的权值和均方误差。需要注意的是，该函数中使用了 kron 函数来实现矩阵的重复和拼接，以便处理多个输入数据的情况。