随着经济统计学、计量经济学等相关技术的高度发达，预测学也慢慢发展起来。运用于经济领域的预测方法，常用的有时间序列，多元回归和经济计量方法。建立在经济计量学方法的预测模型与实践序列分析模型相比，最大的优势就是它们得到被预测经济现象的实际解释。多元回归即VAR方法，它依靠经济数据中重复发生的历史方式预测少数重要的经济变量，它比传统的结构模型的预测精确性要高，如预测国民生产总值和利息率。以上几种方法均是用线性模型模拟现实生活的复杂系统，均属于模型驱动的方法，因此在处理非线性系统时效果不是很好。事实上，这些预测模型方法的基本前提是非常苛刻的。但是由于多数复杂的系统呈非线性，使得这类方法在实际运用上有很大的局限性。所以，必须在建模策略上进行根本的变革，提出新的概念和方法来处理这类预测问题。这种情况下，人们开始把目光转向了近些年来兴起的神经网络模型，结果表明它用于预测的精度和趋势都较传统方法有所提高。10114
1.2.1  国外研究现状
人工神经网络的起源可追溯到1943年Warren.McCulloch和Walter.Pitts合作的论文，他们基于人类大脑处理信息的方式，通过数学模型和数学处理方法来研究人类脑细胞的活动方式，该模型被称为MP模型。这是最早对神经元活动的特征进行量化的模型，神经网络的理论由此拉开序幕。DonalaO.Hebb（1949）提出了神经元之间连接强度变化的学习规则，即Hebb规则，首次提出了生物神经元的一种学习机制，开创了神经元网络研究的新局面。
20世纪50年代末60年代初，该阶段基本确立了从系统的角度研究人工神经网络。1956年IBM的研究人员Nathaniel Rochester展示了他构造的神经网络模型。该模型由几百个模拟神经元相互连接构成，并且能对周围环境的刺激产生反应，从而形成大量的神经网络数据。这是人们了解的第一个软件模拟神经网络。1957年美国心理学家Frank Roenblatt提出了感知机模型，即通过构造一个感知机网络，演示进行模式识别的能力，这是人工神经网络的第一个实际应用。
20世纪70年代后期，神经网络的研究进入了一个新的高潮阶段。1982年，美国物理学家Hopfield提出了一种全连接的反馈性网络，该模型引入“计算能量函数”，给出了网络稳定性的判断依据，并证明一个互连单元的神经网络系统达到能量损耗最小的原理。此发现有力的推动了神经网络的发展，开创了把人工神经网络用于联想记忆和优化计算的新途径。Hinton和McClelland（1985）等人提出并行分布处理PDP理论，PDP理论将神经网络归结为具有三个基本属性：结构、神经元的输入、输出变化函数及学习方法。Rumelhart和McCelland（1986）等人提出了多层网络的误差反向传播学习算法，即BP算法。BP算法是根据学习的误差大小，把学习的结果反馈到中间层次的学习问题。该网络是迄今为止最常用、最普通的网络。
至此之后，各种神经网络模型相继提出，其应用也很快渗透到计算机图像处理、语音处理、优化计算、智能控制等领域，并取得很大发展。1987年6月在美国召开的第一次神经网络国际会议（ICNN）宣告了神经网络计算机学科的诞生。同时，美国南加州大学的Bart Kosko教授设计出了一种称为双向联想存储器的神经网络。日本于1988年开始大规模研制神经元计算机，并把1988年定为神经元计算机年。1992年，法国研究人员Zhang Qinghua等提出了小波神经网络（WNN），小波神经网络着手把神经网络和小波变换结合起来，仍然是一种神经网络模型。基于小波变换的小波神经网络采用非线性小波基代替常用的神经元非线性积极函数，如果运用得到则可发挥神经网络和小波变化各自的优点。 人工神经网络文献综述和参考文献:http://www.youerw.com/wenxian/lunwen_9076.html