该文提出了一些新的方法,主要包含三个方面:(一)用基于属性测度的无监督聚类法计算径向基函数的中心,即类中心,由于充分利用了数据本身的特点,提高了计算速度和精度,该算法大体思想如下:首先是针对每个样本随机确定其属性及网络的初始权向量及一些初始值,然后利用神经网络进行反复学习,直至最后或者达到初始所设的最大迭代次数或者小于预定阀值,这时候网络的权向量即为作者所要的径向基函数中心;(二)提出了基于优胜劣汰的拟自组织学习算法以实现组合预测来减少预测误差,提高预测精度,该算法思想是依据每个模型的预测值与希望结果的误差的大小来调整的,将误差最大与最小的权向量均被划分在一组,然后利用互补原则来调整,主要思想是使得误差大的权向量缩小,误差小的权向量增大,然后再通过反复学习来达到理想的结果,即所要的最优的权向量.应用该算法是考虑到单个的预测模型在一定程度上均具有一定的局限性,因而有必要采用组合预测的方法来建立模型.用典型的太阳黑子数据的试验表明,新的方法的精度高于已有的其它方法;(三)对原始数据进行变换,以提高预测精度,该文提出了差分和变化率两种变换方法.实际数据处理表明,变换后的预测精度比直接用原始做的预测精度有显著的提高.