石油价格预测是经济预测中的重要课题,在众多研究方法中,人工神经网络(Artificial Neural Networks,ANN)以其非线性映射特点和优秀的函数逼近能力而受到了广泛的关注。为了更好的应用这一工具,本文针对三种高斯型神经网络进行了改进并将其应用于石油价格预测。　　 首先,本文提出了一种具有动态最优学习率的径向基函数神经网络(RadialBasis Function Neural Networks,RBFNN)。在这一算法中,本文利用梯度下降法以及经典优化算法推导出了适用于RBFNN每一次权重调整的动态最优学习率,使RBFNN在保证其稳定性和逼近精度的同时提高学习速度。为了验证新算法的有效性,本文进行了函数逼近模拟实验以及油价波动率预测实验,实验结果表明,新算法不但能够有效避免人为选定学习率主观性,同时能够使网络学习效率有所提高。　　 其次,针对概率神经网络(Probabilistic Neural Networks,PNN)容易产生“最近邻”分类器的问题,本文提出了一种新的启发式PNN平滑参数的搜索算法。同时,本文在该算法的基础上得出了一种有效的PNN分类规则提取算法,拓展了PNN的使用。双螺旋分类及油价分类实验结果表明,通过新算法得出的平滑参数不但能够避免“最近邻”分类器的产生,同时能够保证PNN的分类精度。　　 最后,本文将折扣最小二乘法与广义回归神经网络(General Regression Neural Networks,GRNN)相结合,在改进GRNN平滑参数的同时,提出了一种基于折扣最小二乘法的GRNN时间序列预测模型。函数逼近模拟实验及油价预测实验表明,新算法不但能够避免人为选定平滑参数的主观性,同时可以有效的提高GRNN时间序列预测模型的预测精度。