随着仪器行业技术的不断发展,人类对地球的认识更加丰富,重力固体潮作为研究地球物理学的一个重要研究途径,越来越多的学者投入重力固体潮的研究之中。重力固体潮信号中蕴含了大量的地球物理信息,这些信息能够帮助人类更进一步认识我们赖以生存的地球。重力固体潮信号受多个天体共同作用影响,主要是由于太阳、月球等天体轨道相对位置变化而产生的,同时受地质、水文、大气等地理条件变化的影响,所以既是一个有规律、周期性变化的信号,也包含反映地质、水文、大气等地理条件变化的异常信息。由于重力固体潮信号是多个信号分量的混合集合,为了更进一步的验证改进型径向基神经网络在重力固体潮领域的适用性,本文根据重力固体潮的产生机理,采用独立成分分析(Independent Component Analysis,ICA)算法求解重力固体潮信号的谐波分量,将重力固体潮信号分解为平行于地球绕质心转动的轴线方向上的长周期波和平行于地球赤道所在平面上的日波和半日波三个谐波分量。通过这个重力固体潮的解析模型,将重力固体潮信号在三个方向上的信息分量清晰明确的体现了出来。通过对重力固体潮信号进行建模,可以反映和预测重力潮汐信号的周期性变化的基本规律。通过对比其理论计算值,可以进一步提取重力潮汐信号中的异常变化信息。在实验中,通过重力固体潮信号训练改进后的径向基(Radial Basis Function,RBF)神经网络,得到了重力固体潮信号的有效RBF神经网络模型。利用该模型预测重力固体潮信号的估计值,并与传统RBF神经网络模型、自回归(Augmented Reality,AR)模型预测结果进行对比,实验结果表明本文改进训练算法的径向基网络模型预测的结果更加精确,说明本文的改进训练算法在重力固体潮信号的径向基网络建模中是有效的。本文采用一种单形进化的群智能优化算法优化选取RBF神经网络的权重和优化求解独立成分分析的混合矩阵,这种群智能优化算法是纯随机搜索算法,定义粒子多个角色态来实现搜索多样性,结构不复杂,迭代多个中心角色位置,能够稳定的维持算法的性能,有效的实现全局优化,最终解更为理想。