人工神經網路預測
① 預測 一般有哪些方法 神經網路
時間序列預測只要能轉化為訓練樣本，即可使用神經網路進行訓練。目前內常用的幾類人工神經容網路，如BP神經網路、Elman神經網路、RBF神經網路、GRNN神經網路、小波神經網路以及各類組合神經網路，都是可以應用在時間序列預測中的。
預測效果較好的一般有：1、GRNN神經網路、RBF神經網路。局部逼近網路由於只需調整局部權值，因此訓練速度較快，擬合精度也較高。2、Elman神經網路。由於Elman神經網路的承接層的延時運算元，使得網路可以記憶歷史信息，這正好與時間序列預測的原理相同，極其適於應用於時間序列預測。
② 人工神經網路一般用於預測多少年的數據
這個要視處理的問題而定，訓練網路的樣本是基於多少年的數據，相應預測的就內是多少年的數據。容例如電力負荷預測，當進行的是短期負荷預測時，輸入的樣本為最近幾日的負荷數據，那麼預測的自然是最近幾日的，不可能再長。而進行長期負荷預測時，訓練樣本是以年為單位的負荷數據，就可以預測幾年甚至數十年的負荷。再例如，進行人口增長預測，則一般是以多年預測為基礎的。
③ 請問：如何用人工神經網路來進行預測
用第抄1月到第25月的輸入數據，襲和第1月到第25月的輸出數據作為網路的訓練數據，然後將你第26月的對應的輸入作為網路的輸入，就可以得出第26月的輸出。
你可以在網上下個別人使用過的神經網路的模板或工具箱，修改成自己需要的就是了。
④ 如何人工神經網路來預測下一個數值
newff函數建立復BP神經網路，歷史制數據作為樣本，例如前n個數據作為輸入，輸入節點為n。當前數據作為p，輸出節點為1。隱層節點根據試湊法得到。通過matlab的train函數，得到訓練好的BP神經網路。再將當前預測點的前n個數據作為輸入，輸出即為當前的預測值。
⑤ 如何用BP神經網路實現預測
BP神經網路具有任意復雜的模式分類能力和優良的多維函數映射能力，解決了簡單感知器不能解決的異或(Exclusive OR，XOR)和一些其他問題。從結構上講，BP網路具有輸入層、隱藏層和輸出層；從本質上講，BP演算法就是以網路誤差平方為目標函數、採用梯度下降法來計算目標函數的最小值。
⑥ 如何用神經網路實現連續型變數的回歸預測
神經網路最開始是機器學習的一種模型，但其訓練的時間和其他幾種模型相比不佔優勢，且結果也不盡人意，所以一直沒有被廣泛使用。但隨著數學的深入研究以及計算機硬體質量的提高，尤其是GPU的出現，給深度學習的廣泛應用提供了基礎。GPU最初是為了給游戲玩家帶來高質量的視覺體驗，由於其處理矩陣運算的能力特別優秀，也被用於深度學習中模型的訓練，以往數十天才能訓練好的模型在GPU上訓練幾天就可以訓練好，大大減少了深度學習的訓練時間，因而深度學習的應用越來越多。
通常使用Python來搭建神經網路，Python自帶深度學習的一些庫，在進行回歸預測時，我們只需用調用函數，設定幾個參數，如隱藏層層數和神經元個數等，剩下的就是等模型自行訓練，最終便能完成回歸預測，非常的方便。
⑦ 如何建立bp神經網路預測 模型
建立BP神經網路預測 模型，可按下列步驟進行：
1、提供原始數據
2、訓版練數據預測數據提取及歸一權化
3、BP網路訓練
4、BP網路預測
5、結果分析
現用一個實際的例子，來預測2015年和2016年某地區的人口數。
已知2009年——2014年某地區人口數分別為3583、4150、5062、4628、5270、5340萬人
執行BP_main程序，得到
[ 2015, 5128.631704710423946380615234375]
[ 2016, 5100.5797325642779469490051269531]
代碼及圖形如下。
⑧ 人工神經網路預測
我的畢業論文也是做神經網路預測的，關於這方面的程序或論文都挺多的，上網查一下，然後理解一下基本就可以了，但如果想做的更深的話就要系統的學習。
科技創新貴在新，你如果只是簡單的看書的話可能出不來新的東西，畢竟短時間內你是找不出神經網路的缺陷在哪裡，應如何創新。因為人們已經找出了針對已經發現的神經網路缺陷的解決方法。
如果有需要的話可以郵件聯系，順便探討一下，我的郵箱是[email protected].
⑨ 人工神經網路做預測時誤差問題
你看下你的損失函數怎麼弄的吧，不行就加權，它應該自己學習讓誤差最小。當然如果你樣本數不足或者訓練集與測試集不同分布另說
⑩ BP神經網路預測
參看附件代碼，代碼中的數據已經歸一化，如果你自己的數據應使用版mapminmax函數進行歸一化。權
newff函數的格式為：
net=newff(PR,[S1 S2 ...SN],{TF1 TF2...TFN},BTF,BLF,PF），函數newff建立一個可訓練的前饋網路。輸入參數說明：
PR：Rx2的矩陣以定義R個輸入向量的最小值和最大值；
Si：第i層神經元個數；
TFi：第i層的傳遞函數，默認函數為tansig函數；
BTF：訓練函數，默認函數為trainlm函數；
BLF：權值/閥值學習函數，默認函數為learngdm函數；
PF：性能函數，默認函數為mse函數。