本文基于云理论提出了一种用正态云来替代高斯径向基函数的RBF神经网络改进算法,具体实现方法为:将RBF聚类中心和带宽的确定问题转换为正态云参数的确定问题,进而使得RBF隐层的输出结果同时具有了模糊和随机的特性,充分的体现了云理论的精髓;网络所用数据样本原有的随机因素被顺利的传递至输出层,很好的克服了传统模糊理论“模糊不彻底”的弊端;新算法与云理论比较:因其保留了RBF的自学习功能,从而避开了云理论应用中模糊规则提取的问题。同时,针对改进的算法中出现的两个新的问题,本文也找到了很好的解决方法:(1)原有的高维云模型隶属度计算公式在维数较高时,由于求和累积项很大,输出值陷入死区,造成网络后续无法训练。针对此问题,本文引入云的幅度系数作为权值参量,实践证明可行,拓展了高维云的适用范围。(2)幅值不等的两朵云合并的问题。针对这一问题,本文提出一新的合并算法,通过三维寻优,得到的合并后云的期望曲线参数。以实际的污垢数据库对该改进的RBF算法进行检验,结果表明:该算法解决预测问题优于传统RBF算法,实际效果良好,同时该算法又具有良好的可移植性。最后,本文对预测精度进行分析,确定了课题的后续研究和改进方向。