面对输入及输出因素间具有复杂非线性关系的系统,传统分析方法往往显得无能为力,难以获得预期效果。随着智能分析方法的飞速发展,人工智能算法逐渐应用于各类工程领域复杂系统的预测分析。人工神经网络可以很好的逼近非线性函数,在数据预测中有着重要作用。Elman神经网络作为动态反馈网络的代表相较静态BP神经网络具有一定的优点,但仍然存在易陷入局部极值、预测精度不能达到预测要求的不足。本文利用改进的单体智能算法——天牛须搜索算法(BAS)优化Elman神经网络,选取了岩土工程中爆破振动速度预测这一类问题来进行数据预测的应用。运用不同的自变量降维方法对于数据样本中的影响因素进行筛选分析,基于不同环境下的两种爆破工程速度峰值数据,实现了预测实验。结果表明,改进的神经网络预测方法对非线性工程数据预测具有较好的预测精度和收敛速度,对于不同工程类型的数据预测具有一定的普适价值和实用性。论文的主要工作有:对比其他预测方法选择了具有非线性映射能力和动态反映能力的Elman神经网络作为研究对象,分析了Elman神经网络具有的优缺点。将一种重启参数策略引入到对基础BAS的改进中,在尽量保证其收敛速度的同时,使改进算法能够在一定程度上跳出局部极值从而靠近全局最优解。使用改进后的BAS算法与Elman神经网络结合,针对Elman神经网络对初始权值阈值的依赖,改善了Elman神经网络预测精度不高的缺点。选择了一种复杂的非线性,高随机性,模糊相关性的动态能量爆发工程行为中的爆破振动速度预测问题进行实验分析,进行数据预处理和降维分析,比较了不同的自变量降维方法的效果,结合神经网络特性选择了MIV算法对数据样本的影响因素进行筛选,使用上述改进的预测方法进行实验,与其他智能算法优化的BP、Elman神经网络模型进行对比,实验结果表明新的预测方法能够提高预测精度,提高优化速度,对于不同的工程环境数据预测具有一定的普适价值和实用性。