预测是决策的基础.神经网络用于检测是一个崭新的研究课题.该文对神经网络预测方法进行了研究,提出了一些新的模型和方法,并用许多实例进行了检验.首先该文深入分析了神经网络模型的基本理论,提出了建立神经网络预测模型的方法及有关问题,用一些时间序列预测的实例检验了多层前向神经网络的预测能力,并研究了基于神经网络的多维时序预测问题.提出将多种反馈引入前向神经网络,用实验证明了这种循环神经网络的优越性.在此基础上研究了时间序列模型与神经网络模型的关系,证实了多层前向神经网络与非线性自回归模型的等价意义、循环神经网络与非线性自回归移动平均模型的等价意义,并针对静态BP算法的不足提出了循环神经网络的学习算法-动态BP算法.该文研究了基于神经网络的回归检测方法,提出了基于神经网络的综合预测模型.结合传统的统计分析方法,提出了基于神经网络的变量选择方法,并用实例表明了该方法的有效性.最后,该文对基于神经网络的时充实时建模预测问题进行了研究,提出用强化学习方法解决这一实时建模预测问题.该文对TD法进行了深入研究,并将TD法与监督学习方法在基于神经网络的时序预测问题中作了比较,结果表明了TD法的优越性;在此基础上提出将TD法用于解决实时建模的时间信用赋值问题,并提出将BP法用于解决结构信用赋值问题.同样该文用实验证明了这种实时建模预测方法的可行性.