在神经网络LB层，用Sigmoid函数作为神经元激励函数，该函数中间的高增益区在处理小信号问题上有较好的作用，位于两侧的低增益区适合解决比较大信号的问题，，该特点让网络的最终形态趋于稳定；在去掉LB层后，其他层的激励函数都采用线性函数。

使用这种拓扑结构的神经网络可以获得时间响应函数，即完成了灰微分方程到神经网络的映射过程，通过神经网络的训练，连接的权值在不断的被调整修正，这也是灰色方程参数不断优化的过程。

在获得神经网络的结构后，神经网络可以直接对原始数据进行建模预测，也可以用神经网络的最优权值推算出灰参数的最优白化值，重新构建灰色模型进行预测。