در این پایان نامه پیش بینی سری زمانی آشوبی و تحلیل خطا با استفاده از شبکه های عصبی خطی و غیرخطی همراه با بگارگیری تئوری جاسازی پیشنهاد شده است. سری های زمانی به طور کلی شامل مولفه های خطی و غیرخطی می باشند. در این مطالعه یک روش ترکیبی شامل پیش بینی کننده خطی و غیرخطی، برای مدل کردن هر دو مولفه ارائه شده است. ابتدا با استفاده از نظریه جاسازی، سری زمانی در فضای حالت مناسب نمایش داده شده، سپس نقاط فضای حالت به یک شبکه عصبی خطی داده شده اند. خطای سری زمانی پیش بینی شده، محاسبه و به عنوان یک سری زمانی آشوبی جدید، در فضای حالت مناسب جاسازی شده است. در ادامه نقاط فضای حالت بدست آمده به مدل غیرخطی مورد نظر که یک شبکه عصبی بازگشتی المان آموزش داده شده با الگوریتم بهینه سازی جمعیت ذرات می باشد، خورانده شده تا مورد تحلیل قرار گیرند. در نهایت مقادیر پیش بینی شده از سری زمانی اصلی و سری زمانی خطا یعنی خروجی دو پیش بینی کننده خطی و غیرخطی، با هم جمع شده و با مقادیر واقعی سری زمانی مقایسه شده اند. سری های زمانی آشوبی مکی گلاس، لورنز و لکه های خورشیدی برای ارزیابی کارایی روش پیشنهادی استفاده شده اند.