径向基神经网络(RBFNN)其特有的优点,使得它被广泛的应用于模式识别、图像处理、预测、时间序列分析等领域.蚁群算法(ACO)是一种仿生物算法,大量研究表明蚁群算法与其他智能优化算法相比,更能达到全局最优解.本文简要概括了RBF神经网络基础理论、发展动态和蚁群算法的理论基础以及现有的改进方法,重点研究如何将改进后的蚁群算法用于径向基神经网络以解决实际中的问题.首先,建立了基于初始信息素分布和二次挥发的蚁群优化算法模型.针对传统蚁群算法存在的缺陷,提出了一种改进初始信息素和建立信息素二次挥发的蚁群优化算法.并通过4组经典的数据检验蚁群优化算法的有效性,实验结果表明,蚁群优化算法能够加快算法的收敛速度,提高算法的精准度.其次,建立基于蚁群优化算法的RBF神经网络模型.针对基本RBF神经网络存在的缺陷,本文利用蚁群优化算法的全局搜索、隐并行的能力,对RBF神经网络参数w、、c?等进行同步优化,并通过函数拟合实验验证算法的有效性,得出基于蚁群优化算法的RBF神经网络对函数的拟合程度更高,且拟合速度更快.再次,建立了基于改进蚁群聚类算法的RBF神经网络模型.利用改进后蚁群聚类算法的优点,确定出了RBF神经网络中心个数及位置,利用了RLS计算权值,以及梯度下降法对中心值、基函数宽度以及权值进行调整.同时建立基于改进RBF神经网络的上证指数预测模型,仿真结果表明,基于改进蚁群聚类算法的RBF神经网络对上证指数预测误差更小,且预测性能更优.最后,总结全文,展望未来.图21幅,表11个,参考文献50篇