1.一种基于改进蝠鲼觅食优化算法的RBF神经网络优化方法，其特征在于，包括以下步骤：

步骤1：通过海杂波训练数据来选取RBF的输入输出节点数，确定RBF网络结构n‑h‑m，计算蝠鲼个体的维数h*n+h*2；

步骤2：将需要优化RBF网络的初始参数编码映射成蝠鲼的位置，将RBF网络需要优化的初始参数编码映射得到蝠鲼个体的位置矢量，其中初始参数包括网络中的数据中心、数据宽度和权重参数这三个参数，采用改进的蝠鲼觅食优化结构参数并引入高斯核函数作为RBF输入层和隐含层之间的连接，函数公式如下：步骤3：设置蝠鲼种群的规模，利用动态反向学习策略初始化种群；

步骤4：构建海杂波训练数据将其输入到RBF中进行训练，选取训练误差作为蝠鲼的适应度函数计算个体的适应度值；

步骤5：判断rand≥0.5，以此控制算法在链式觅食和螺旋觅食位置更新策略之间切换；

其中，rand选取0‑1的随机数，如果rand<0.5如果成立，则执行螺旋觅食，如果不成立则执行链式觅食；

步骤6：采用黄金正弦算法对翻筋斗觅食位置更新方式进行改进；

步骤7：对全局最优进行混合变异并进行贪婪选择，每次迭代会将变异后蝠鲼的适应度值和当前全局最优进行对比，若变异后的适应度值更小则用其取代当前全局最优蝠鲼位置；

步骤8：如此循环直到达到最大迭代次数，最后将寻得的最优解解码映射成RBF神经网络对应的初始参数，否则返回步骤4。

2.根据权利要求1所述的基于改进蝠鲼觅食优化算法的RBF神经网络优化方法，其特征在于，所述步骤3中采用动态反向学习策略初始化种群，公式如下：其中 为j维搜索空间上的动态边界，k∈U(0,1)， 为当前解 的反向解。

3.根据权利要求1所述的基于改进蝠鲼觅食优化算法的RBF神经网络优化方法，其特征在于，所述步骤4中所述蝠鲼觅食优化的适应度值用以下函数得到：式中y_pred表示网络预测的值，y表示数据的真实值，N表示训练样本数。

4.根据权利要求1所述的基于改进蝠鲼觅食优化算法的RBF神经网络优化方法，其特征在于，所述步骤5中链式觅食位置更新公式如下所示：其中， 表示t+1代蝠鲼位置，α为一个权重系数， 为当前最优的位置；

螺旋觅食位置更新由如下公式描述：当t/T>rand

其中β是一个权重参数，r1是0‑1之间的随机数， 是蝠鲼前一个个体的位置，T为预设迭代的最大次数，

当t/T≤rand

d d

其中Ub和Lb为随机产生位置的上下界，将 随机生成的位置作为下一次迭代的参考位置。

5.根据权利要求1所述的基于改进蝠鲼觅食优化算法的RBF神经网络优化方法，其特征在于，所述步骤6中采用黄金正弦算法对翻筋斗觅食位置更新公式做出改进，用下面的函数来描述：

其中 表示第i个个体当前的位置，R1、R2分别为[0,2π]和[0,π]之间的随机数，共同决定了下一次迭代时个体的移动距离和方向，a和b为黄金分割系数a＝‑π，b＝π。

6.根据权利要求1所述的基于改进蝠鲼觅食优化算法的RBF神经网络优化方法，其特征在于，所述步骤7中自适应变异概率Pself用如下公式描述：其中q用来调节变异快慢q∈[5,7],t为当前迭代次数，T为最大迭代次数。

7.根据权利要求1所述的基于改进蝠鲼觅食优化算法的RBF神经网络优化方法，其特征在于，所述步骤7中采用柯西和高斯混合变异对最优解进行扰动，变异过程用如下公式描述：

式中，Cauchy为柯西分布的随机数，Gaussion(σ)高斯随机变量，如果rand＜pself，选择高斯变异策略，否则采用柯西变异对最优解进行扰动。

8.根据权利要求6所述的基于改进蝠鲼觅食优化算法的RBF神经网络优化方法，其特征在于，所述步骤7中比较变异前后的适应度值大小，判断是否接受变异，贪婪选择过程用如下公式描述:

其中Xbest(t+1)为全局最佳位置，Xmutate(t+1)为进行混合变异后的个体，若变异后个体的向更好的方向进化则用变异后的蝠鲼个体位置取代当前最优位置，否则保持当前位置不变。