設計。本文采取單隱層結構。
（2）輸入節點數。選取PLS提取的2個成分能夠提高準確性，輸入節點數為2。
（3）輸出變量。輸出變量代表要實現的目標功能，輸出變量個數設置為2個。
（4）隱含層節點數，通過公式 （m為隱含層節點，n為輸入層節點，l為輸出節點數，a是1-10的常數）計算隱含層的初始值是2，最大為12，可以分別得到訓練誤差曲線，通過比較，可以得出當m為10時收斂速度最快。
（5）神經網絡訓練參數。根據實際經驗，網絡性能目標一般在[0，1]之間，經過反復試驗，選擇神經網絡訓練參數。訓練次數為1000，網絡性能目標為0.01。在滿足上述任意一個條件時，網絡訓練就會結束。
1.2.2 模型求解
通過構建神經網絡，在MATLAB中得到BP神經網絡訓練結果，樣本訓練完之后得到神經網絡數據網絡可以用來預測不同配料下的球團礦的性能。
訓練過程中，網絡訓練到第2代就到了最優訓練效果，訓練的的相關系數達到0.9848，接近1，綜合判斷正確率高，基于非線性最小二乘BP神經網絡有較好的訓練結果。
1.3 偏最小二乘回歸分析和非線性最小二乘分析比較
通過計算得到神經網絡方法計算的實際值與擬合值之間相關系數為0.9848，比偏最小二乘回歸分析計算的擬合值與實際值之間的相關系數0.831大。因此，神經網絡方法比偏最小二乘方法的擬合精度高。
參考文獻
[1] 孔祥玉，曹澤豪，安秋生，徐中英，羅家宇.偏最小二乘線性模型及其非線性動態擴展模型綜述[J/OL].控制與決策：1-12[2018-01-28].https：//doi.org/10.13195/j.kzyjc.2017.1306.
[2] 楊波. 基于偏最小二乘的財務危機預警模型研究[D].中國財政科學研究院，2017. 7.