智能信息处理技术的研究是科学发展中非常富有挑战性的课题。人工神经网络是以数学手段来模拟人脑神经元网络结构的模型,实现了对生物神经网络的模拟和近似。作为一种有效的智能信息处理技术,人工神经网络已经取得了令人瞩目的发展,并得到了广泛的应用。与此同时,作为20世纪末21世纪初最新型智能计算的三大支柱之一的混沌理论,同样激发了科学和工程各领域科学家的研究和应用热情。随着计算机技术的发展,作为一种面向主题的、集成的、稳定的、不同时间的数据集合,数据仓库目前正被广泛地应用于企业信息系统中。数据仓库的建立,为决策的数据分析提过了丰富的历史数据。然而,面对着海量的、具有不同时间跨度的数据,使得决策制定者面临着取舍的抉择难题,遗忘的方法是解决这个问题的有效途径。在神经网络的比较上往往存在着受初始权值影响的困扰,模型算法本身所带来的优越性极有可能被初始权值的敏感性所掩盖甚至颠覆。使用混沌序列产生的伪随机序列在较好模拟随机序列的基础上,有效地解决了这样的问题。本篇论文研究了遗忘神经网络的基本原理及其算法,在此基础上将混沌理论中的模型引入到遗忘神经网络中,提出一种通过将Logistic混沌序列作为初始权值应用于遗忘神经网络的方法,从而建立了一种改进的前馈神经网络模型——基于混沌序列遗忘神经网络模型。在处理跨时间数据训练的问题上有效地提高了网络的收敛速度和预测精度,并为改进神经网络模型间的比较方法上提供了一种思路,此模型方法通过实验在美国股票市场的道琼斯工业指数预测上得到了验证。