『壹』 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。
『貳』 RBF預測和bp神經網路預測誰強
對於同時間段的數據預測未來的同時間段的數據，我認為可以用anfis 自適應神經網路函數來預測比較合理。例如，用電問題。用數日的同時間段的用電量，預測某日的同時間段的用電量。
『叄』 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。
『肆』 採用什麼手段使神經網路預測更加准確
優化神經網路結構。如BP神經網路改變隱層神經元數量、訓練演算法等；
使用其他神經網路。如Elman神經網路考慮了前一時刻的輸出，比較適合用於預測，預測效果往往更好。RBF神經網路的訓練速度很快，訓練效果也很好。
改進的神經網路演算法。例如BP神經網路增加動量項、自適應學習率等措施，防止陷入局部極小影響預測效果。
組合神經網路。取長補短，將全局搜索能力強的演算法與局部逼近快的演算法組合起來，如遺傳演算法優化初始權值，再訓練。這種方法比較靈活，可以和許多演算法融合。
全面考慮影響因素。未來的預測值受許多因素影響，所以應該在基於歷史數據的基礎上，充分考慮各種因素，考慮得越周全，預知信息越多，預測效果一般更好。
『伍』 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).
『陸』 遺傳演算法優化bp神經網路，訓練好後，做預測會更加准確求大神告知！
1、遺傳演算法優化BP神經網路是指優化神經網路的參數； 2、因此，對訓練時間沒有影響。
『柒』 如果是以預測為准，是BP神經網路好，還是徑向量什麼網路好
1、這是一個發展的問題，在神經網路的發展過程中，在前期，徑向量的效果好；
2、自從出現了卷積神經網路、循環神經網路出現後，神經網路的效果好。
『捌』 bp神經網路遇到新的數據，就預測不準，怎麼弄
預測數據的話BP不是特別好用，最好用Elman反饋神經網路或者RNN循環神經網路，這些有記憶功能的網路比較好用。bp主要和你選擇的隱含層數，和誤差范圍，學習率有關。你可以調節相關參數來改變神經網路，獲得更精確的結果。
『玖』 怎麼才能使bp神經網路預測的結果更准確
這個問的太哪個了吧，神經網路預測一般也就是對已有數據進行非線性擬合而已，簡單的說，他只是一個擬合方法，只是與傳統的擬合方法相比有一些優點。用神經網路預測也不會是一定很非常准確的。
『拾』 神經網路預測股票准嗎
目前還達不到非常准確的效果，決定股票走勢的因子很多，有些如突發的並購、減持、宏觀經濟的事件、公司人事的更迭等等，這些事件神經網路沒法給出好的判斷。