在气象、经济以及工业生产等诸多方面都涉及到时间序列预测问题,因此,对时间序列进行建模和预测具有非常重要的研究意义。在实际应用中,许多时间序列呈现很强的非线性特性,使用传统的预测方法往往达不到预期效果,因此将其当作非线性来处理是一种有效的方法。人工神经网络常被用来构建非线性时间序列预测模型,而B样条网络就是其中的一种模糊联想记忆神经网络。与其它方法相比,B样条网络结构简单、待优化参数少、且学习速度快。为此,本文在优化网络结构参数的基础上,提出了一种非线性时间序列B样条网络预测模型。本文以时间序列预测为背景,主要研究了时间序列B样条网络预测模型的搭建,网络结构参数的优化方法,以及在工业生产中的应用。主要研究工作如下:(1)通过对B样条函数性质的深度分析,在研究B样条网络结构和运行机理的基础上,构建一种新的时间序列B样条网络预测模型。在网络结构的设计中,将各个样条基函数的节点位置和权值参数一同作为待优化的独立变量。(2)依据选择的网络评价函数,设计一种参数递进搜索算法对B样条网络结构进行优化,并采用正弦函数和二次函数验证预测模型的有效性。(3)针对B样条网络的结构参数优化,提出一种改进的粒子群优化算法,将此算法的函数验证效果与参数递进搜索算法优化结果进行对比。(4)运用这两种方法对氧化铝配料生料浆质量进行预测,并将预测的结果与径向基函数网络进行比较。预测和对比的结果表明,粒子群优化B样条网络预测模型具有较好的预测精度和泛化性能,其工业应用效果较好,有较强的实用价值,是一种有效的非线性时间序列预测方法。