激活函数作为神经网络模型的重要组成部分,对模型表达和学习能力的提高起着至关重要的作用。相同拓扑结构的网络模型在不同激活函数下性能迥异,激活函数的设计一直是神经网络领域的研究热点之一。为此,多种类型的激活函数相继提出,包括参数化激活函数、集成化激活函数和自适应激活函数等。然而,经过多年的探索,人们仍然很难找到一个能够保证神经网络在任何数据分析任务中始终具有最优性能的激活函数,因此,如何根据特定数据分析任务为神经网络选配最适宜的激活函数,成为神经网络应用研究的重要工作之一。现有对激活函数的研究主要集中在深度神经网络领域,在浅层神经网络模型鲜有报道。本文以一种新颖的浅层随机神经网络即随机配置网络（Stochastic configuration network,SCNs）为研究对象,结合其增量构造过程的监督特性,提出了面向随机配置网络的激活函数自学习方法。主要工作与创新性成果概括如下:（1）深入分析激活函数对随机配置网络性能的影响,在相同网络参数、不同激活函数和不同网络参数、相同激活函数两种情况下,通过实验研究探索随机配置网络模型对激活函数的偏好,为后续激活函数的自学习方法研究提供了依据。（2）提出了一种基于强化学习的随机配置网络激活函数自学习方法,其利用强化学习算法,通过k-均值聚类自适应离散化方法将高维训练误差离散化为低维状态,构建了误差-激活函数对的学习Q表,从而构建了能够令隐藏层节点自主选择激活函数的学习方法。该方法可以指导随机配置网络模型根据当前误差为每个隐藏层节点选择出该误差状态下最合适的激活函数,达到激活函数的最优组合。（3）提出了一种基于概率的随机配置网络激活函数自学习方法,其在未增加任何训练参数的条件下,通过在网络构造过程中设计激活函数选择概率、softmax构造策略以及奖惩机制,经过一个模型训练,即可选择出与当前任务最匹配的激活函数。面向回归及分类任务的仿真实验证实了上述两种激活函数自学习方法的可行性和有效性。综上所述,所提出的两种函数自学习方法不仅是一种简单有效的激活函数选择方法,更是一种研究激活函数的新视角和新方法。