1、神經網絡系統是迄今為止功能最強、效率最高的最完美的信息處理系統，它所具有的非線性映射及并行處理能力在非線性系統的辨識和控制中發(fā)揮了獨特作用，成為研究非線性預測控制的一種新工具，且BP(Back propagation)神經網絡是被研究得最為深入，應用最為廣泛的人工神經網絡之一。
　　 本文在介紹了神經網絡的基本機理和機構的基礎上，詳細地論述了基本的BP神經網絡模型的原理和計算方法，并把它實際運用到南昌大學各學院和部門人員的出勤量

2、預測問題上，在對BP神經網絡模型程序運行得到的結果進行詳細剖析，分析推導出模型的應用及改進優(yōu)化——離散動態(tài)時間模型。在給南昌大學各學院和部門及人員的出勤量作預測時，結合BP模型和一年的出勤量核實數據，求解出了各學院和部門的下一月份(最后一月份)出勤量預測值，并與實際量進行了誤差比較。為了不失一般性，利用模型對南昌大學某學院中單體的出勤量進行預測，且根據運行的結果進行了理論的剖析和對比應用。
　　 在對模型的應用及改進優(yōu)化中，我們

3、得到每個單元對于該單位的出勤數是通過考勤的形式來體現，所以單位所能得的信息流是最早在一個時間步長以后才能影響到預測量即要求出勤數。那么在于時間的變化上，要求的出勤量直接影響以后的該單元發(fā)展，而單位的教學和科研方式作為F(Prog(R))的參數矩陣(即效益矩陣)會影響到整個離散動態(tài)時間模型的不動點的位置，也就是等價于說，如果在沒有其他不可預測的問題發(fā)生的情況下，單位/單元的出勤數是影響單位是否能持續(xù)發(fā)展的因素，教學和科研方式的不同決定了該