神经网络是未来的计算技术。对复杂非线性过程建模的能力为解决广泛的技术和财务任务提供了机会。应用神经网络的领域包括不同的知识领域:图像识别、图像补充、关联搜索、分类、优化、预测、诊断、信号处理、抽象、过程管理、数据分割、信息压缩、建模困难过程、机器视觉。　　自动化接受知识是知识工程的一部分构成内容——如，信息技术领域中的人工智能系统，便是一个很好的代表。通过自动挖掘知识的方法，完成从数据库中提出数据的任务，与决策支持情报系统(DTSIS)和专家系统(ES)的开发有着密切的关系。通过挖掘所获得的数据，一方面可以丰富专家系统的数据库内容，另一方面针对某种决策可以提供建设性的意见。　　最近研究表明，神经网络（NN）已经拥有较为准确地预测能力，可以较好地估计任何连续的函数，譬如，针对财务数据的预测。此外，通过神经网络结合模糊逻辑的协同计算，可以解决实际生活中的诸多问题，如神经网络和模糊逻辑在时间序列(TS)预测问题中的应用。此外，由于该项技术使得程式中模拟变量间的非线性关系比传统的统计和计量经济模型变得更加准确，且不需要对数据集进行任何初始地假设。因此，科研工作者愈发的青睐使用诸如人工智能(AI)技术的预测模型来解决时间序列分析中问题。　　时间序列分析是确定时间序列结构及其预测的数学分析方法的总和。该项研究对于建立分析时间序列的数学模型起着至关重要的作用，其研究成果可以较好的应用于某些重要决策的制定中。时间序列的未来价值预测用于有效的决策。通过分析时间序列，可以较好的解决一下问题:(1)辨别逻辑成分（趋势）;(2)研究随机成分;(3)建立时间序列值预测模型。　　尽管对于不同的计算方法，可以包含数量不同的预测模型，但是，研究人员往往无法得到准确有效的模型，尤其是当只有一个函数的时候。这就是为什么称作评委的方法，并且拥有如此大数量的模型。目的是通过独立的模型（实验数据）以及近似值来建立一个具体的数学模型（可能是人工神经网络）。然而，建立一个神经网络的，需要具有深厚的专业经验，才能构建出合格的网络模型。此外，由于构建理想的神经网络具有很大的难度，因此，往往无法一次性得到理想的网络结构模型。　　因此，通过增加预测可靠度来调整参数，达到建立包含若干近似函数的复杂预测模型，是一个研究的难点，针对此，应该开发一种函数参数选择算法，以实现该模型的智能计算。本文主要的贡献和创新点如下:　　(1)利用神经网络和模糊解释器检查隐式模型的信息技术，通过创建存储在神经网络中的知识信息技术来简化获取时间序列的隐式模型以及数据库中的内容。本研究基于时间序列分析理论，近似理论和计算机实验。研究中所涉及的的方法和理论包括知识发现的原理，知识挖掘的解释方法，模糊集理论和模糊逻辑理论。主要通过以下算法实现:1）分析现有的预测模型和知识提取方法;2）基于神经网络改进的预测模型;3）神经网络隐式模型的改进方法;4）开发获得神经网络知识的算法;5）开发和测试用于预测和解释知识算法的软件。　　(2)利用自回归模型解决不同学科领域时间序列预测问题，是目前最为流行的预测方法之一。然而，通过研究发现，自回归模型存在一个显著的缺点，即包含大量的自由参数，导致辨识不明确。本研究提出了基于最大相似样本外推模型的预测方法，实验结果表明，以已有的方法相比，本文的方法具有不需要依靠外部因素的优点，消除了大量自由参数带来的自回归类缺点，提高了预测值的计算准确率，具有较高的实用价值。