在采用RBF神经网络来建立软测量模型时,需要确定的参数比较多。为了能让模型具有很好的预测性能,在实际建模中,常常会引入一些智能优化的方法来挑选出合适的网络参数来参与建模。本文主要研究内容如下:1.在采用径向基神经网络来建模时,其中间隐含层节点个数以及相关参数都会对模型的性能产生影响。为此我们选用遗传算法和粒子群算法来对径向基神经网络进行优化设计。首先需要利用遗传算法或粒子群算法来确定模型的结构,结构确定好以后再利用该优化算法来对径向基神经网络的参数进行优化,然后进行循环迭代直至满足迭代停止条件。最后将得到一个最优的神经网络模型。这种先确定结构再确定参数的方法可认为是一种串行优化。2.采用串行优化的方法所建立的模型的运算速度比较慢,因为该方法需要用遗传算法或粒子群算法分别产生两个种群,一个用于确定模型的输入变量的个数和网络中间隐含层节点个数,另一个用于实现对网络参数的优化,而且优化也是分开进行的。为了提高模型的运算效率,我们提出一种并行优化的方法,该方法中模型结构的确定和网络参数的优化是由一个种群产生的,并且模型结构参数与网络参数的优化是同时进行的。最后通过仿真也可以看出采用并行优化的方法的运行效率要比采用串行优化的方法的效率要高很多,同时模型的精度也有一定的提高。3.将优化后的模型应用到PTA生产过程中的4-CBA含量的预测中,仿真结果表明该算法的可行性。