采用RBF神经网络的结构、特性和训练算法，根据CPI(消费者物价指数)与其影响因素之间存在的映射关系，应用神经 网络建立了多因素非线性时间序列预测模型。最后通过仿真实验和研究，把RBF神经网络与传统的BP网络预测结果进行比较，结果证明，该模型的预测精确度更高，结果令人满意。

单隐藏层前馈神经网络(Single-hidden Layer Feedforward Neural Network, SLFN)已经在模式识别、自动控制及数据挖掘等领域取得了广泛的应用，但传统学习方法的速度远远不能满足实际的需要，成为制约其发展的主要瓶颈。产生这种情况的两个主要原因是：（1）传统的误差反向传播方法(back propagation，BP)主要基于梯度下降的思想，需要多次迭代；（2）网络的所有参数都需要在训练过程中迭代确定。因此算法的计算量和搜索空间很大。针对以上问题，借鉴ELM的

该算法是一个主要针对人工智能神经网络中DBN网络的一种快速学习算法

针对实际交通场景下道路目标检测时存在检测精度低、检测速度慢以及难以检测小目标的问题，faster R-CNN的快速、精确道路目标检测算法。该算法包括一个精确目标区域网络 和一个目标属性学习网络通过引入反卷积结构，设计网络的损失函数，提高小目标的检测性能，为加快算法的计算速度。