From f6c3843ef94b93552aad5ad8c8edaef307d52933 Mon Sep 17 00:00:00 2001
From: Haojun Liao <hjxilinx@users.noreply.github.com>
Date: Tue, 18 Mar 2025 16:18:33 +0800
Subject: [PATCH] docs: add mlp algo #30243

doc: add mlp doc and merge 3.0
---
 .../06-TDgpt/04-forecast/04-lstm.md           |  9 +++++
 .../06-TDgpt/04-forecast/05-mlp.md            | 35 +++++++++++++++++++
 2 files changed, 44 insertions(+)
 create mode 100644 docs/zh/06-advanced/06-TDgpt/04-forecast/05-mlp.md

diff --git a/docs/zh/06-advanced/06-TDgpt/04-forecast/04-lstm.md b/docs/zh/06-advanced/06-TDgpt/04-forecast/04-lstm.md
index 28ae919de0..b4ab0e5bd6 100644
--- a/docs/zh/06-advanced/06-TDgpt/04-forecast/04-lstm.md
+++ b/docs/zh/06-advanced/06-TDgpt/04-forecast/04-lstm.md
@@ -7,6 +7,14 @@ sidebar_label: "LSTM"
 
 ## 功能概述
 
+LSTM模型即长短期记忆网络(Long Short Term Memory)，是一种特殊的循环神经网络，适用于处理时间序列数据、自然语言处理等任务，通过其独特的门控机制，能够有效捕捉长期依赖关系，
+解决传统RNN的梯度消失问题，从而对序列数据进行准确预测，不过它不直接提供计算的置信区间范围结果。
+
+
+完整的调用SQL语句如下：
+```SQL
+SELECT _frowts, FORECAST(i32, "algo=lstm") from foo
+=======
 LSTM 模型即长短期记忆网络(Long Short Term Memory)，是一种特殊的循环神经网络，适用于处理时间序列数据、自然语言处理等任务，通过其独特的门控机制，能够有效捕捉长期依赖关系，
 解决传统 RNN 的梯度消失问题，从而对序列数据进行准确预测，不过它不直接提供计算的置信区间范围结果。
 
@@ -14,6 +22,7 @@ LSTM 模型即长短期记忆网络(Long Short Term Memory)，是一种特殊的
 完整的调用 SQL 语句如下：
 ```SQL
 SELECT _frowts, FORECAST(i32, "algo=lstm,alpha=95,period=10,start_p=1,max_p=5,start_q=1,max_q=5") from foo
+>>>>>>> 3.0
 ```
 
 ```json5
diff --git a/docs/zh/06-advanced/06-TDgpt/04-forecast/05-mlp.md b/docs/zh/06-advanced/06-TDgpt/04-forecast/05-mlp.md
new file mode 100644
index 0000000000..df8b6128cd
--- /dev/null
+++ b/docs/zh/06-advanced/06-TDgpt/04-forecast/05-mlp.md
@@ -0,0 +1,35 @@
+---
+title: "MLP"
+sidebar_label: "MLP"
+---
+
+本节说明 MLP 模型的使用方法。
+
+## 功能概述
+
+MLP（MutiLayers Perceptron，多层感知机）是一种典的神经网络模型，能够通过学习历史数据的非线性关系，
+捕捉时间序列中的模式并进行未来值预测。它通过多层全连接网络进行特征提取和映射，
+对输入的历史数据生成预测结果。由于不直接考虑趋势或季节性变化，通常需要结合数据预处理来提升效果，
+适合解决非线性和复杂的时间序列问题。
+
+完整的调用SQL语句如下：
+
+```SQL
+SELECT _frowts, FORECAST(i32, "algo=mlp") from foo
+```
+
+```json5
+{
+"rows": fc_rows,  // 返回结果的行数
+"period": period, // 返回结果的周期性，同输入
+"alpha": alpha,   // 返回结果的置信区间，同输入
+"algo": "mlp",  // 返回结果使用的算法
+"mse": mse,       // 拟合输入时间序列时候生成模型的最小均方误差(MSE)
+"res": res        // 列模式的结果
+}
+```
+
+### 参考文献
+- [1]Rumelhart D E, Hinton G E, Williams R J. Learning representations by back-propagating errors[J]. nature, 1986, 323(6088): 533-536.
+- [2]Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain[J]. Psychological review, 1958, 65(6): 386.
+- [3]LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.
\ No newline at end of file