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

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，

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，当t/T≤rand

其中Ub

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

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P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＜p

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X