شبکه های عصبی از جایگاه خاصی در علوم غیرخطی برخوردارند. این شبکه ها با بهره گیری از ساختار غیرخطی خود، می توانند به تحلیل رفتار سیستم هایی بپردازند که دوره تناوب کوتاه مدت ندارند. در مجموع شبکه های عصبی در سیستم هایی کارکرد دارند که رفتار گذشته ی آن ها در دسترس باشد. کاربرد های شبکه های عصبی عبارت از طبقه بندی اطلاعات، تشخیص الگو و یا پیش بینی رفتار سیستم های خطی و غیرخطی است. یکی از پر کاربردترین شبکه های عصبی، شبکه عصبی ساخته شده از پرسپترون هاست که با استفاده از الگوریتم انتشار خطای عقب سو به یادگیری می رسد. اما دشواری هایی نیز در راه استفاده از این شبکه ها وجود دارد. از جمله این دشواری ها، نرسیدن شبکه به حد خطای قابل قبول و یا زمان طولانی یادگیری این شبکه هاست. در این پایان نامه به عنوان حل یک مساله ی غیرخطی، به پیش بینی دمای میانگین روزانه ی دو شهر پرداخته ایم. برای این پیش بینی از الگوریتم انتشار خطای عقب سو استفاده کرده ایم. از طرف دیگر، تلاش کرده ایم تا دشواری های مربوط به شبکه عصبی ساخته شده از پرسپترون ها را حل کنیم و به این منظور، با استفاده از مفهوم گراف منظم ساختار-هایی ارائه کرده ایم که می توانند سریع تر از شبکه های معمولی به یادگیری دست یابند. همچنین در برخی موارد، این یادگیری، بهتر از شبکه های معمولی صورت گرفته است.