人工神经网络是通过模拟大脑神经系统的组织及机理,进行信息处理的智能模型。得益于其强大的自主学习能力,人工神经网络能够在很大程度上解放人们的劳动力,因此得到大家广泛地研究与应用。通过对人工神经网络的理论研究可以有效地解释神经网络的应用原理和潜在问题,使其得到有效地改进和发展。另一方面,随机学习的人工神经网络能够克服传统梯度类学习算法所存在的收敛速度慢、局部极小值等问题,近来成为人们研究的热点之一。本文主要研究将径向基函数神经网络的中心和平滑因子采取均匀分布的—随机径向基函数人工神经网络。这种随机的学习方法,是对现有如何确定径向基函数神经网络中心和平滑因子的一种重要补充,同时也能够提升网络的训练效率。本文主要的研究结果通过分析随机径向基函数神经网络的收敛性以及构造相应的模型、算法展开。(1)为了探究随机径向基函数神经网络的函数逼近能力,运用随机权重前馈神经网络收敛性分析方法对其进行收敛性分析。首先利用广义δ函数的性质构建一个被近似函数的极限积分表达式;其次用蒙特卡罗方法计算这个表达式中的积分,证明随机径向基函数神经网络可以逼近任意连续函数。从理论上分析了随机径向基函数神经网络的收敛性,发现其收敛误差随着隐藏层神经元节点的增加而逐渐减少,表明其是一个高效的函数逼近器,具有处理大数据问题的潜力。为了验证理论结果,我们在相关数据集上对随机径向基函数神经网络分别作了拟合、分类测试。实验结果表明,随机径向基函数神经网络确实具备快速学习能力以及强大的函数逼近能力。(2)在随机径向基函数神经网络正则化模型的基础上,通过对正则化因子的自适应选择,提出了相应的自适应正则化模型及ARBFNN算法。自适应选取正则化因子的基本思想是,将正则化因子由原来的常数转变成关于输出层权重的函数,再利用迭代算法,在每一步迭代过程中求得的输出层权重的同时确定正则化因子的值。此外需要选取合适的正则化函数,以确保自适应正则化模型的凸性,使模型拥有不依赖于初始条件的全局最小值。为了进一步验证算法的有效性及模型的泛化能力,采用UCL机器学习数据库的数据对随机径向基函数神经网络的自适应正则化模型进行性能测试。其结果通过与其他算法的比较表明,ARBFNN算法能够降低随机径向基函数神经网络的训练误差,提升网络泛化能力,同时还使其兼备处理大数据集问题的能力。