随着互联网和信息化技术的不断发展,企业及其他各种组织积累了大量的数据,人们面临着从大量不同类型、不同来源的数据中获取有用知识的问题。数据挖掘技术融合了人工智能、数据库技术等多门学科,通过数据挖掘技术的应用,数据中很多潜在的有用信息能够被发现并且应用于社会生产决策之中。径向基函数神经网络是一类应用非常广泛的人工神经网络,学习速度快,能够无限地逼近任意非线性函数,但是网络结构不易确定,因此本文使用其他的智能算法并借助算法的优点改善神经网络中的缺陷,提高网络能力。本文将蚁群聚类算法和粒子群算法与径向基函数神经网络依次相结合,从神经网络结构初始化和结构优化两个方面对算法进行改进,以达到提升算法性能的目的。首先,使用蚁群聚类算法将参与网络训练的样本数据聚类,获取子集的个数和中心点,然后通过相应计算获取网络相关的参数信息,获取神经网络的初始结构。本文使用LF蚁群聚类算法,针对算法的不足对算法进行了改进,提高了聚类的运行速度和精度,使用鸢尾花集合对改进后的LF算法进行实验对比。其次,使用粒子群算法对神经网络结构进行优化,以获取更加准确的结构数据,使用多极值的测试数据对优化后的径向基函数神经网络进行实验对比。另外,针对粒子群算法的不足对算法进行改进,使用混沌干扰、交叉等方法改变粒子特征,使得算法更容易查找到全局最优解。最后,将优化后的径向基函数神经网络应用在网络流量预测方面,通过数据建模、数据分析等操作为高校提供网络流量预测模型。主要介绍了流量预测的过程,包括数据准备、数据整理、模型创建、结果分析等,并对多个不同算法的预测结果进行了比较分析。