系统预测的实质就是通过对系统测试的一些历史数据拟合，建立一个系统模型，即得到一个系统函数，根据得到的该函数就可以计算出以后某一时刻的数据，从而达到系统预测的目的。人工神经网络在系统预测、函数逼近等领域获得广泛应用，其中误差反向传播算法BP(Back Propagation Algo-rithm)是利用神经网络建立一个预测系统的最有效、最常用的学习方法，它用一组训练样例对网络进行训练，每一个样例都包括输入及期望的输出两部分，以网络实际输出与样例的期望输出进行比较，如果实际输出模式与期望输出模式有不能满足要求的误差存在，则沿原来的连接通路逐层返回，并利用两者的误差按一定的原则对各层节点的连接权值进行调整，使网络实现从输入模式到输出模式的正确映射，使误差逐步减小，直到满足要求时为止。本文采用Bayesian正则化算法来解决标准BP算法存在着易陷入局部极小、收敛速度慢和过度训练等问题，通过Bayesian正则化算法训练神经网络的综合智能信息处理方法来实现系统预测。