随机神经网络结合了随机理论和神经网络的优点,其具有强大的泛化能力和自学习能力,在安全防控、模式识别、医学图像等领域取得了显著的成绩。然而,传统的随机神经网络也存在一些缺点,特别是在建立多维复杂模型时泛化能力并不能满足实际的需求以及容易陷入过拟合困境的弊端。本文提出一种随机小波多项式神经网络来解决上述问题,主要创新点如下:1.提出随机多项式神经网络。该模型具有以下突出优点:泛化能力强,能很好地描述输入数据与输出数据之间的高阶非线性关系。随机多项式神经网络结合集成学习的思想,采用随机重采样技术生成多个子数据集,利用生成的子数据集构造多个多项式神经网络,再把单个的多项式神经网络聚合一起形成随机多项式神经网络。并利用最小二乘法对多项式函数的系数进行估计,减少了模型的计算量,使随机多项式神经网络的泛化能力得到提高。2.提出基于粒子群优化的随机小波多项式神经网络。该模型是在随机多项式神经网络的基础上进行改进的,其具有更好的分类性能。此外,该模型可以较好的处理时域性信号数据。使用L2正则化最小二乘法来估计模型的参数。此外,采用粒子群优化算法优化模型的结构参数和输入参数,进一步提高了模型的泛化能力。3.将提出的神经网络应用于人脸识别和房颤诊断。提出了一种基于随机多项式神经网络的人脸识别模型,首先使用局部二值模式算法提取人脸的特征,然后利用主成分分析方法对人脸特征进行降维,最后用随机多项式神经网络对人脸进行分类。另外,提出了一种基于粒子群优化的随机小波多项式神经网络的房颤诊断模型,首先利用小波变换对房颤信号进行去噪,然后对去噪后的数据进行特征提取,最后再输入到提出的模型中进行诊断。实验表明提出的模型的分类正确率优于传统模型的分类正确率。