相空间重构理论可以说是对混沌系统进行预测的理论基础，接下来实现预测的过程中最重要的一步就是建立混沌预测模型[[5] 周金勇。 混沌时间序列预测模型研究[D]。 武汉理工大学硕士论文。 2009年。][5]。近年来人们陆续构建了各种预测模型。其中全域模型，局域模型和基于最大Lyapunov指数的预测模型准确性相对较高，是实际运用中较为热门的模型[[6] 韩敏, 许美玲。 一种基于误差补偿的多元混沌时间序列混合预测模型[J]。 物理学报。 2013, 62(12): 106-112。][6]。

这些模型虽然都有一定的合理之处，也符合某些实际情况，但是也存在许多不足，如对历史数据代表性要求高，没有学习能力，有效时间短，要求非常准确的重构系统相空间，抗噪声能力弱等。其中的学习能力的缺乏，使得为了保证高精度的预测需要大量的数据是最重要的问题。

为此我们必须找到新的预测模型才能解决以上问题。鉴于与混沌理论的内在联系，国内外研究者渐渐把目光放在自适应，神经网络和支持向量机理论上。其中神经网络的非线性逼近能力和自学习特性使得它能够适用于预测高非线性度的时间序列，具有许多先前的预测方法所不具备的特色，可以有效避免一些以上的问题[[7] 孙忠伟, 马永平, 张冰等。 基于BP人工神经网络的大学生最大摄氧量估测模型的构建[J]。 北京体育大学学报。 2015, 38(11): 70-75。][7]。1978年，Lapedes和Farber在人类历史上第一次使用神经网络对混沌时间序列实现预测，为混沌的预测开辟了新的途径[[8] 刘瑞叶, 黄磊。 基于动态神经网络的风电场输出功率预测[J]。 电力系统自动化, 2012, 23(11)：19-22。][8]。

然而，许多实际情况表明：虽然神经网络和支持向量机对非线性模型具有很好的非线性函数拟合能力，但它们的实际预测效果有时却会差强人意。由于时间序列内部存在噪声，如果不对噪声进行恰当的处理，会使建立的模型出现各种各样的问题。此外，还将面临繁冗的计算、预测准确度等一些问题。所以人工神经网络技术（ANN）从20世纪80年代开始兴起[[9] 周观民, 王东霞。 基于人工神经网络的制冷系统工况模拟[J]。 计算机测量与控制, 2015, 36(07): 2350-2353。][9]。它以自适应、自组织、自学习等功能以及大规模并行性、高度的容错能力为特征，逐渐覆盖了很多工程领域，例如在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等等，并且为人类解决了许多现实问题。

而神经网络正是由许许多多的节点连接在一起组成的结构，同生物科学中的定义一样，网络里的每一个节点被称呼为神经元。每个神经元都表示一种特别的输入与输出间的映射关系，这种映射就是这个神经元的激励函数[[10] 张光存, 高谦, 杜聚强等。 基于人工神经网络及非线性回归的岩爆判据[J]。 中南大学学报。 2013, 44(07): 2977-2981。 ][10]。不同的激励函数可以使得神经元获得不同的处理信息的能力。人工神经网络的记忆能力通过每两个节点间的权值来实现。神经元有时也可以单独被用于函数逼近以及时间序列预测。

神经网络虽然具有许多比起传统的预测方法的天然优越之处，但是也存在一定的缺点与不足。单乘神经元模型可以满足需要多个神经元的多层神经网络的应用场合，可以看作是结构简单，参数较少的神经网络，可以代替多层神经网络来完成函数逼近等任务。使用真实的神经元来执行复杂的计算任务本质上是为下一代的神经网络提供增强的处理单元。人工单神经元模型已经用于解决很多工程问题。这些模型结构简单，计算复杂性低，并且表现出比特定结构的神经网络有更好的性能。 时间序列预测的研究背景和国内外研究现状(2):http://www.youerw.com/yanjiu/lunwen_102271.html