如何預測自己神經網路

⑴ 神經網路預測原理！

Back Propagation BP (Back Propagation)神經網路，即誤差反傳誤差反向傳播演算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，並傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層（隱含層）可以設計為單隱層或者多隱層結構；最後一個隱層傳遞到輸出層各神經元的信息，經進一步處理後，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。神經網路很多種，BP神經網路最常用。

⑵ matlabR2013b中神經網路訓練好後，如何進行預測

預測的時候還是將需要的參數作為輸入。訓練的時候不是有15組樣本嗎（4*15和6*15的），說明輸入節點數為4，輸出節點數為6。因此預測時，將用於預測的4個參數作為輸入，神經網路的6個輸出即為預測結果。

神經網路因其很好的函數逼近能力而被廣泛應用於非線性系統建模、辨識和控制中。根據應用場合的不同,神經網路可分為靜態和動態神經網路兩類。靜態(或前饋)神經網路沒有反饋成分,也不包含輸人延時,輸出直接由輸人通過前向網路算出;動態神經網路的輸出不僅依賴當前的輸人,還與當前和過去的輸入、輸出有關。

⑶ 神經網路適合什麼預測

這個問題，先可以理解為什麼神經網路可以實現預測。

我們將我們平常看到的神經網路轉90度來看。最下層（輸入層）信息逐漸到上層（輸出層）時候可以得到一個預測結果。其中起到關鍵作用的就是中間的隱藏層。那麼可以理解為隱藏層有什麼作用導致了整個神經網路可以進行預測。

我們耳熟能詳的解釋是，隱藏層具有提取特徵的能力。那麼如何理解這個提取特徵的能力？我們以一個公司選舉為例，我們要選擇一個人當作我們的團隊的頭頭。A1、A2、A3、A4、A5表示5個小職員，B1、B2、B3是中層幹部，C_pred表示我們要選擇的頭頭。那麼這個選舉流程是每個中層幹部（B1-B3）都要去分別聽5個小職員（A1-A5）的建議，那麼做為上級，在聽取下級的建議時候，肯定是有傾向的，肯定會更多考慮某一個值得信任的下級的建議，因此可以看出來，中層幹部針對不同的小員工的信息具有不同的建議分辨能力，就可以理解為上一層對下一層信息有選擇性質的提取，那麼中層幹部（B1-B3）將提取的信息整合，選出一個頭頭C_pred。但是經過選舉出來的這個頭頭，必須通過董事會的建議，而董事會已經有了合適的人選C_true,然後董事長告訴大家，C_true是我當年的發小，於是乎中層幹部（B1-B3）聽到這個信息馬上去討論改選擇誰當頭頭，接著，中層幹部（B1-B3）馬上去發動手底下的小弟（A1-A5）重新討論選舉頭頭人問題，於是乎信息又一次次過濾，一次次匯報，最終董事長覺得這個C_pred和自己信息預測的C_true差不多，就通過的他心裡的那個坎。

將人類的活動化為數學問題，那麼我們可以認為，中層幹部（B1-B3）針對不同小職員（A1-A5）的建議吸收程度，視為特徵提取，將董事長心裡預期C_true和中層幹部（B1-B3）的建議後選擇人C_pred的落差視為loss，然後將董事長的指示一層層傳達上報的行為稱為反向傳播（BP）,最終C_pred復合董事長心裡預期，通過他心裡的坎可以視為，結果大於score（置信度).

⑷ 神經網路訓練好怎麼預測

調用網路預測函數a=sim(net,p)
net是通過train函數訓練樣本集得到的最優網路，p為預測數據集，a就是想要的預測值

⑸ 如何利用matlab進行神經網路預測

matlab 帶有神經網路工具箱，可直接調用，建議找本書看看，或者MATLAB論壇找例子。
核心調用語句如下：
%數據輸入

%選連樣本輸入輸出數據歸一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%% BP網路訓練
% %初始化網路結構
net=newff(inputn,outputn,[8 8]);
net.trainParam.epochs=100;
net.trainParam.lr=0.01;
net.trainParam.goal=0.01;
%網路訓練
net=train(net,inputn,outputn);
%% BP網路預測
%預測數據歸一化
inputn_test=mapminmax('apply',input_test,inputps);
%網路預測輸出
an=sim(net,inputn_test);
%網路輸出反歸一化
BPoutput=mapminmax('reverse',an,outputps);
%% 結果分析

⑹ 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。目前常用的幾類人工神經網路，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。

⑺ 請問：如何用人工神經網路來進行預測

用第1月到第25月的輸入數據，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。

⑻ matlab怎麼利用神經網路做預測

利用matlab做神經網路預測，可按下列步驟進行：

1、提供原始數據

2、訓練數據預測數據提取及歸一化

3、BP網路訓練

4、BP網路預測

5、結果分析

⑼ 如何讓利用神經網路進行預測，怎麼在進行訓練之後，怎麼看出訓練模型的好壞如何進行評判

可以用MATLAB神經網路工具箱，先提取樣本，用mapminmax函數歸一化，再newff函數建立網路，設置好訓練參數後，使用train函數訓練，最後用sim函數看預測結果。

在訓練過程中，有一個performance可以觀察，它的訓練目標就是你設置的goal。在訓練過程中，它會自動分出一部分樣本作為validation驗證，可以保證不過擬合。具體要評價效果還是應該看最後預測的精度。

附件是一個BP預測的實例。