Искусственные нейронные сети широко используются для решения разнообразных задач: распознавание образов, классификация, управление и принятие решений, ассоциативная память и другие.Существует большое число разнообразных архитектур нейронных сетей с различными принципами функционирования. В работе рассматривается многослойная полносвязная нейронная сеть прямого распространения – многослойный персептрон, которая широко используется для решения задач распознавания образов, прогнозирования временных рядов и аппроксимации функций.Одной из ключевых особенностей нейронных сетей является их способность к обучению. Целью обучения является сопоставление некоторому множеству начальных значений (входов) множества выходных значений. Этот процесс осуществляется за счет определенного алгоритма изменения весовых коэффициентов связей между отдельными нейронами. В пакете STATISTICANeuralNetworksбыл спроектирован многослойный персептрон с одним скрытым слоем для решения задачи прогнозирования временного ряда. Входной слой состоял из 5 нейронов, выходной из 1 нейрона, число нейронов в скрытом слое – 10.