MeteoInfoLab的脚本语言是Jython，可以直接使用Java类库。机器学习目前Python（CPython）大行其道，不过Java语言的机器学习库也有不少，比如：Deeplearning4j, Weka, Encog等。Encog支持丰富的神经网络算法，内部具有并行运算功能，有Java和.Net两个版本。这里利用Java版的Encog库进行了简单的封装，提供了FeedforwardNetwork类来创建神经网络，添加网络层，设置训练方法、激活函数等参数，对已知数据进行训练，最后预测结果。

miml工具箱已经打包在MeteoInfo软件中（MeteoInfo -> toolbox -> miml目录），github上的代码仓库：https://github.com/Yaqiang/miml 。该工具箱的使用也很简单，这里用神经网络的一个最基本的XOR问题来说明。AND和OR都很容易理解，XOR是运算符两边不同时为真，可以表示如下：
1 AND 1 -> 1        1 OR 1 -> 1        1 XOR 1 -> 0
1 AND 0 -> 0        1 OR 0 -> 1        1 XOR 0 -> 1
0 AND 0 -> 0        0 OR 0 -> 0        0 XOR 0 -> 0

MeteoInfoLab脚本如下：

import miml

indata = array([[0,0],[1,0],[0,1],[1,1]])
ideal = array([0,1,1,0])
net = miml.FeedforwardNetwork(5, 'trainlm')
net.layers[0].set_activation('tanh')
net.train(indata, ideal, isprint=True)
print net.predict([0,0])
print net.predict([0,1])

先引入miml包（import miml），训练用的输入数据为：indata = array([[0,0],[1,0],[0,1],[1,1]])，真值：ideal = array([0,1,1,0])。然后构建神经网络（缺省为输入层，一个隐含层，输出层），隐含层的神经元数设为5，训练方法设为trainlm，将隐含层的激活函数设为tanh，然后进行训练。训练完成后就可以利用这个神经网络进行预测了。

运行结果如下（神经网络的特征决定了每次运行的结果都可能不一样）。输入为[0, 0]时，XOR的真值为0，这里的预测值为0.003811562449670306；输入为[0, 1]时，XOR的真值为1，这里的预测值为0.9890792015360702。

Epochs 1: Error=0.510
Epochs 2: Error=0.269
Epochs 3: Error=0.041
Epochs 4: Error=0.009
Epochs 5: Error=0.000
array([0.003811562449670306])
array([0.9890792015360702])