人工神经网络预测
① 预测 一般有哪些方法 神经网络
时间序列预测只要能转化为训练样本，即可使用神经网络进行训练。目前内常用的几类人工神经容网络，如BP神经网络、Elman神经网络、RBF神经网络、GRNN神经网络、小波神经网络以及各类组合神经网络，都是可以应用在时间序列预测中的。
预测效果较好的一般有：1、GRNN神经网络、RBF神经网络。局部逼近网络由于只需调整局部权值，因此训练速度较快，拟合精度也较高。2、Elman神经网络。由于Elman神经网络的承接层的延时算子，使得网络可以记忆历史信息，这正好与时间序列预测的原理相同，极其适于应用于时间序列预测。
② 人工神经网络一般用于预测多少年的数据
这个要视处理的问题而定，训练网络的样本是基于多少年的数据，相应预测的就内是多少年的数据。容例如电力负荷预测，当进行的是短期负荷预测时，输入的样本为最近几日的负荷数据，那么预测的自然是最近几日的，不可能再长。而进行长期负荷预测时，训练样本是以年为单位的负荷数据，就可以预测几年甚至数十年的负荷。再例如，进行人口增长预测，则一般是以多年预测为基础的。
③ 请问：如何用人工神经网络来进行预测
用第抄1月到第25月的输入数据，袭和第1月到第25月的输出数据作为网络的训练数据，然后将你第26月的对应的输入作为网络的输入，就可以得出第26月的输出。
你可以在网上下个别人使用过的神经网络的模板或工具箱，修改成自己需要的就是了。
④ 如何人工神经网络来预测下一个数值
newff函数建立复BP神经网络，历史制数据作为样本，例如前n个数据作为输入，输入节点为n。当前数据作为p，输出节点为1。隐层节点根据试凑法得到。通过matlab的train函数，得到训练好的BP神经网络。再将当前预测点的前n个数据作为输入，输出即为当前的预测值。
⑤ 如何用BP神经网络实现预测
BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的异或(Exclusive OR，XOR)和一些其他问题。从结构上讲，BP网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。
⑥ 如何用神经网络实现连续型变量的回归预测
神经网络最开始是机器学习的一种模型，但其训练的时间和其他几种模型相比不占优势，且结果也不尽人意，所以一直没有被广泛使用。但随着数学的深入研究以及计算机硬件质量的提高，尤其是GPU的出现，给深度学习的广泛应用提供了基础。GPU最初是为了给游戏玩家带来高质量的视觉体验，由于其处理矩阵运算的能力特别优秀，也被用于深度学习中模型的训练，以往数十天才能训练好的模型在GPU上训练几天就可以训练好，大大减少了深度学习的训练时间，因而深度学习的应用越来越多。
通常使用Python来搭建神经网络，Python自带深度学习的一些库，在进行回归预测时，我们只需用调用函数，设定几个参数，如隐藏层层数和神经元个数等，剩下的就是等模型自行训练，最终便能完成回归预测，非常的方便。
⑦ 如何建立bp神经网络预测 模型
建立BP神经网络预测 模型，可按下列步骤进行：
1、提供原始数据
2、训版练数据预测数据提取及归一权化
3、BP网络训练
4、BP网络预测
5、结果分析
现用一个实际的例子，来预测2015年和2016年某地区的人口数。
已知2009年——2014年某地区人口数分别为3583、4150、5062、4628、5270、5340万人
执行BP_main程序，得到
[ 2015, 5128.631704710423946380615234375]
[ 2016, 5100.5797325642779469490051269531]
代码及图形如下。
⑧ 人工神经网络预测
我的毕业论文也是做神经网络预测的，关于这方面的程序或论文都挺多的，上网查一下，然后理解一下基本就可以了，但如果想做的更深的话就要系统的学习。
科技创新贵在新，你如果只是简单的看书的话可能出不来新的东西，毕竟短时间内你是找不出神经网络的缺陷在哪里，应如何创新。因为人们已经找出了针对已经发现的神经网络缺陷的解决方法。
如果有需要的话可以邮件联系，顺便探讨一下，我的邮箱是[email protected].
⑨ 人工神经网络做预测时误差问题
你看下你的损失函数怎么弄的吧，不行就加权，它应该自己学习让误差最小。当然如果你样本数不足或者训练集与测试集不同分布另说
⑩ BP神经网络预测
参看附件代码，代码中的数据已经归一化，如果你自己的数据应使用版mapminmax函数进行归一化。权
newff函数的格式为：
net=newff(PR,[S1 S2 ...SN],{TF1 TF2...TFN},BTF,BLF,PF），函数newff建立一个可训练的前馈网络。输入参数说明：
PR：Rx2的矩阵以定义R个输入向量的最小值和最大值；
Si：第i层神经元个数；
TFi：第i层的传递函数，默认函数为tansig函数；
BTF：训练函数，默认函数为trainlm函数；
BLF：权值/阀值学习函数，默认函数为learngdm函数；
PF：性能函数，默认函数为mse函数。