FAST(Five-hundred-meter Aperture Spherical Radio Telescope)是由中国天文界提出并建造的世界上最大单口径天线—500米口径球面射电望远镜,该工程的建造在天文界具有重大的科学意义。关于FAST节点位移的预测研究是实现FAST主动反射面整网变形控制策略与自适应建模研究的基础工作和核心难点之一,在这样的项目研究背景下,对FAST节点位移的预测研究,无论在工业控制领域还是FAST项目的设计及施行过程中,均具有重要的理论意义和实践价值。首先,对神经网络和神经网络预测的相关理论进行了归纳总结,并重点对神经网络预测中样本数据集的选取和神经网络的训练进行了学习与研究;其次,对FAST系统的整体结构和主动反射面的变形及控制策略进行了分析,重点对FAST抛物面的变形策略、节点控制流程和节点位移的理论调整量算法进行了剖析;再次,根据FAST节点的运动机理,分析了节点位移的影响因素及补偿要求,确定了预测模型的输入量和输出量。在此基础上提出了基于神经网络的FAST节点位移预测模型。论述了 RBF神经网络模型,阐明了算法的具体实现步骤,并通过仿真分析,得出了 RBF算法的有效性。然后,论述了 ELM算法的原理和特点,从理论上阐述了 ELM神经网络的快速特性,并通过仿真实验对两种算法的预测性能进行了对比分析,ELM神经网络在训练时间上具有明显的优势,但是网络的预测精度要逊于RBF神经网络。为更好的满足系统实时性的要求,最终选择了 ELM神经网络,并针对ELM神经网络的隐含层节点数目需要人工设置易导致网络过度拟合,影响算法的鲁棒性和泛化能力的问题,对隐含层的节点数目进行优化。最后,将优化后的ELM算法应用于FAST节点位移预测中,并对改进的ELM算法进行了仿真验证,结果表明改进的ELM算法在训练时间上仍然具有明显的优势,而且预测精度还较之前的算法有所提升,更适用于FAST节点位移预测。本文的主要贡献是建立了基于神经网络的FAST节点位移预测模型,并通过仿真分析验证了神经网络算法与所建立的FAST节点位移预测模型的可行性和有效性,这将对实现FAST索网节点实时、动态、精准地控制产生重要意义。