采用BP或RBF神经网络逼近非线性对象yk=uk-1-yk-11+yk-1^2

首先，我们需要将非线性对象y(k)转化为一个线性函数的形式，这可以通过引入一个新的变量x(k)来实现：

x(k) = 1 / (1 + y(k-1)^2)

然后，我们可以使用BP或RBF神经网络来训练模型，使其能够学习如何将输入u(k-1)映射到输出x(k)。

对于BP神经网络，我们可以将输入层设置为u(k-1)，输出层设置为x(k)，并使用一个或多个隐藏层来进行非线性映射。在训练过程中，我们可以使用梯度下降算法来优化权重和偏置，以最小化预测值与真实值之间的误差。

对于RBF神经网络，我们可以使用径向基函数来进行非线性映射。具体地，我们可以将输入u(k-1)作为径向基函数的输入，然后将输出x(k)表示为各个基函数的线性组合。在训练过程中，我们可以使用最小二乘法来确定基函数的权重，以最小化预测值与真实值之间的误差。

无论是使用BP还是RBF神经网络，最终的目标都是得到一个能够准确预测x(k)的模型，从而近似非线性对象y(k)。