本课题的相关工作基本按照计划完成，并在原计划的基础上增加了利用神经网络由IMF和太阳风参数预测AE指数变化的工作。本课题的工作和研究成果分为以下6个方面：（1）对前期研究中建立的NARX神经网络SYM-H指数预测模型进行了进一步的优化，通过对比不同的输入参数组合、不同输入时延长度和不同的隐含层神经元个数的预测结果，得到以100分钟的{Bz, N, V}作为输入，包含10个隐含层神经元的NARX网络为相对最优的预测模型。（2）建立了增加反馈时延的Elman神经网络预测模型，测试结果表明，该模型预测的精度接近NARX模型；对隐含层时延反馈输入进行了分段平均处理后，得到简化了的隐含层反馈网络预测模型，测试表明简化后的模型预测精度并没有降低，但依然达不到NARX网络的预测精度；在上述模型基础上加入输出时延反馈，建立了双时延反馈网络，该模型预测精度明显提高。（3）在双时延反馈网络基础上，对100分钟的时延输入进行分段平均处理，以简化输入，尝试了10-10-15-15-20-30、10-10-20-30-30和20-20-30-30三种分段方法，测试结果表明对输入进行了简化的预测模型能够保持预测精度，并有效去除预测SYM-H曲线中的高频噪声。（4）针对双时延反馈网络，尝试了提前60至300分钟预测SYM-H指数，结果表明在提前180分钟的情况下，依然能够得到较准确的预测结果，说明该模型具有180分钟提前时间的预测能力。（5）使用不同反馈时延长度的双时延反馈网络，对54个CIR磁暴和29个CME强磁暴进行了训练，训练后的网络误差结果表明，对两种磁暴，误差都随反馈时延长度减小，但对CME磁暴减小更明显，表明CME磁暴中IMF和太阳风参数对SYM-H的变化影响更显著。（6）分别使用BP、Elman和NARX网络建立了AE指数预测模型，并尝试了不同的参数组合、不同的输入时延长度和不同的反馈时延长度，对NARX预测模型进行了优化选择，测试结果表明NARX网络预测精度与Elman网络相当，反馈时延长度对AE预测影响很小，现有神经网络模型无法预测AE指数的快速变化。以上工作中，第（1）部分已经整理完成，准备投稿，第（2）（3）（4）部分正在深入研究中，期望得到更好的结果在国外高水平期刊发表，（5）（6）部分的工作还在进一步的进行中。