bp 和 mlp 是很类似的，前者的传输函数是非线性，后者是线性。 神经网络的权连接有三种模式， 前向（用于判断和预测），反馈（联想和记忆），自组织（聚类）。 组合起立就有几十种模型了。 股票我看到应用的是时间为权重的前馈式（用于下一时间序列的预测），局部反馈的前馈（用于模式识别（三角，头肩等））。
个人理解 神经网络的原理就是多输入，单输出加权运算模型。不同层的连接是前馈，同层的有连接是反馈。 matlab应该是最容易入门到神经网络工具，matlab5.2开始有了神经网络工具箱，是应用各种函数构建。从matlab5.3开始，引入了面向对象的方法，用4-5行代码就可以完成一个神经网络模型。有不到10种模型. 已经有几年没有见过matlab,我也不知道现在的版本是多少了，有多少种模型，但应该还是很容易上手的，个人觉得matlab神经网络的是最容易学习使用的。但关键的理解各模型的原理。 svm分类速度和性能都优于神经网络，如果核函数采用高斯的话，类似于神经网络中的径向基，我对svm了解有5年了，还不知道其原理，所以没有办法比较。希望windspeedo学习顺利。
bp 是85年开发的模型非线性函数sigma改变了传统的感知机模型的输入。并通过实际-预测结果的误差进行反向传播，修正各神经节点的权学习的。学习周期长，不易收敛。不是个实用的模型。可以过模型理解神经网络的概念。 时间序列预测是出于前n个时间加权的的模型输入，计算下一个和几个数据序列的结果。 模式识别以前在看到的日本日光证券的模型识别系统，用来对模式分类。应用了几个神经网络共同工作，其中有大量的反馈。我看不懂。