精华内容
下载资源
问答
  • 最近一段时间在研究如何利用...发现神经网络模型可以来预测,并且有很多是结合时间序列或者SVM(支持向量机)等组合模型来进行预测,本文结合实际数据,选取了常用BP神经网络算法,其算法原理,因网上一大堆,所以...

      最近一段时间在研究如何利用预测其销量个数,在网上搜索了一下,发现了很多模型来预测,比如利用回归模型、时间序列模型,GM(1,1)模型,可是自己在结合实际的工作内容,发现这几种模型预测的精度不是很高,于是再在网上进行搜索,发现神经网络模型可以来预测,并且有很多是结合时间序列或者SVM(支持向量机)等组合模型来进行预测,本文结合实际数据,选取了常用的BP神经网络算法,其算法原理,因网上一大堆,所以在此不必一一展示,并参考了bp神经网络进行交通预测的Matlab源代码这篇博文,运用matlab 2016a,给出了下面的代码,并最终进行了预测

    clc
    
    clear all
    
    close all
    
    %bp 神经网络的预测代码
    
    %载入输出和输入数据
    
    load C:\Users\amzon\Desktop\p.txt;
    
    load C:\Users\amzon\Desktop\t.txt;
    
    %保存数据到matlab的工作路径里面
    
    save p.mat;
    
    save t.mat;%注意t必须为行向量
    
    %赋值给输出p和输入t
    
    p=p;
    
    t=t;
    
    %数据的归一化处理,利用mapminmax函数,使数值归一化到[-1.1]之间
    
    %该函数使用方法如下:[y,ps] =mapminmax(x,ymin,ymax),x需归化的数据输入,
    
    %ymin,ymax为需归化到的范围,不填默认为归化到[-1,1]
    
    %返回归化后的值y,以及参数ps,ps在结果反归一化中,需要调用
    
    [p1,ps]=mapminmax(p);
    
    [t1,ts]=mapminmax(t);
    
    %确定训练数据,测试数据,一般是随机的从样本中选取70%的数据作为训练数据
    
    %15%的数据作为测试数据,一般是使用函数dividerand,其一般的使用方法如下:
    
    %[trainInd,valInd,testInd] = dividerand(Q,trainRatio,valRatio,testRatio)
    
    [trainsample.p,valsample.p,testsample.p] =dividerand(p,0.7,0.15,0.15);
    
    [trainsample.t,valsample.t,testsample.t] =dividerand(t,0.7,0.15,0.15);
    
    %建立反向传播算法的BP神经网络,使用newff函数,其一般的使用方法如下
    
    %net = newff(minmax(p),[隐层的神经元的个数,输出层的神经元的个数],{隐层神经元的传输函数,输出层的传输函数},'反向传播的训练函数'),其中p为输入数据,t为输出数据
    
    %tf为神经网络的传输函数,默认为'tansig'函数为隐层的传输函数,
    
    %purelin函数为输出层的传输函数
    
    %一般在这里还有其他的传输的函数一般的如下,如果预测出来的效果不是很好,可以调节
    
    %TF1 = 'tansig';TF2 = 'logsig';
    
    %TF1 = 'logsig';TF2 = 'purelin';
    
    %TF1 = 'logsig';TF2 = 'logsig';
    
    %TF1 = 'purelin';TF2 = 'purelin';
    
    TF1='tansig';TF2='purelin';
    
    net=newff(minmax(p),[10,1],{TF1 TF2},'traingdm');%网络创建
    
    %网络参数的设置
    
    net.trainParam.epochs=10000;%训练次数设置
    
    net.trainParam.goal=1e-7;%训练目标设置
    
    net.trainParam.lr=0.01;%学习率设置,应设置为较少值,太大虽然会在开始加快收敛速度,但临近最佳点时,会产生动荡,而致使无法收敛
    
    net.trainParam.mc=0.9;%动量因子的设置,默认为0.9
    
    net.trainParam.show=25;%显示的间隔次数
    
    % 指定训练参数
    
    % net.trainFcn = 'traingd'; % 梯度下降算法
    
    % net.trainFcn = 'traingdm'; % 动量梯度下降算法
    
    % net.trainFcn = 'traingda'; % 变学习率梯度下降算法
    
    % net.trainFcn = 'traingdx'; % 变学习率动量梯度下降算法
    
    % (大型网络的首选算法)
    
    % net.trainFcn = 'trainrp'; % RPROP(弹性BP)算法,内存需求最小
    
    % 共轭梯度算法
    
    % net.trainFcn = 'traincgf'; %Fletcher-Reeves修正算法
    
    % net.trainFcn = 'traincgp'; %Polak-Ribiere修正算法,内存需求比Fletcher-Reeves修正算法略大
    
    % net.trainFcn = 'traincgb'; % Powell-Beal复位算法,内存需求比Polak-Ribiere修正算法略大
    
    % (大型网络的首选算法)
    
    %net.trainFcn = 'trainscg'; % ScaledConjugate Gradient算法,内存需求与Fletcher-Reeves修正算法相同,计算量比上面三种算法都小很多
    
    % net.trainFcn = 'trainbfg'; %Quasi-Newton Algorithms - BFGS Algorithm,计算量和内存需求均比共轭梯度算法大,但收敛比较快
    
    % net.trainFcn = 'trainoss'; % OneStep Secant Algorithm,计算量和内存需求均比BFGS算法小,比共轭梯度算法略大
    
    % (中型网络的首选算法)
    
    %net.trainFcn = 'trainlm'; %Levenberg-Marquardt算法,内存需求最大,收敛速度最快
    
    % net.trainFcn = 'trainbr'; % 贝叶斯正则化算法
    
    % 有代表性的五种算法为:'traingdx','trainrp','trainscg','trainoss', 'trainlm'
    
    %在这里一般是选取'trainlm'函数来训练,其算对对应的是Levenberg-Marquardt算法
    
    net.trainFcn='trainlm';
    
    [net,tr]=train(net,trainsample.p,trainsample.t);
    
    %计算仿真,其一般用sim函数
    
    [normtrainoutput,trainPerf]=sim(net,trainsample.p,[],[],trainsample.t);%训练的数据,根据BP得到的结果
    
    [normvalidateoutput,validatePerf]=sim(net,valsample.p,[],[],valsample.t);%验证的数据,经BP得到的结果
    
    [normtestoutput,testPerf]=sim(net,testsample.p,[],[],testsample.t);%测试数据,经BP得到的结果
    
    %将所得的结果进行反归一化,得到其拟合的数据
    
    trainoutput=mapminmax('reverse',normtrainoutput,ts);
    
    validateoutput=mapminmax('reverse',normvalidateoutput,ts);
    
    testoutput=mapminmax('reverse',normtestoutput,ts);
    
    %正常输入的数据的反归一化的处理,得到其正式值
    
    trainvalue=mapminmax('reverse',trainsample.t,ts);%正常的验证数据
    
    validatevalue=mapminmax('reverse',valsample.t,ts);%正常的验证的数据
    
    testvalue=mapminmax('reverse',testsample.t,ts);%正常的测试数据
    
    %做预测,输入要预测的数据pnew
    
    pnew=[313,256,239]';
    
    pnewn=mapminmax(pnew);
    
    anewn=sim(net,pnewn);
    
    anew=mapminmax('reverse',anewn,ts);
    
    %绝对误差的计算
    
    errors=trainvalue-trainoutput;
    
    %plotregression拟合图
    
    figure,plotregression(trainvalue,trainoutput)
    
    %误差图
    
    figure,plot(1:length(errors),errors,'-b')
    
    title('误差变化图')
    
    %误差值的正态性的检验
    
    figure,hist(errors);%频数直方图
    
    figure,normplot(errors);%Q-Q图
    
    [muhat,sigmahat,muci,sigmaci]=normfit(errors);%参数估计 均值,方差,均值的0.95置信区间,方差的0.95置信区间
    
    [h1,sig,ci]= ttest(errors,muhat);%假设检验
    
    figure, ploterrcorr(errors);%绘制误差的自相关图
    
    figure, parcorr(errors);%绘制偏相关图

    运行之后的,结果如下:

    BP神经网络的结果分析图

    训练数据的梯度和均方误差之间的关系图

    验证数据的梯度与学习次数

    残差的正态的检验图(Q-Q图)

     

     

    在网上,发现可以通过神经网络工具箱这个GUI界面来创建神经网络,其一般的操作步骤如下:

    1:在输入命令里面输入nntool命令,或者在应用程序这个选项下找到Netrual Net Fitting 这个应用程序,点击打开,就能看见如下界面

     

     

     

    2:输入数据和输出数据的导入(在本文中选取了matlab自带的案例数据)


    3:随机选择三种类型的数据所占的样本量的比例,一般选取默认即可
     



    4:隐层神经元的确定
                                                                                  


    5:训练算法的选取,一般是选择默认即可,选择完成后点击<train>按钮即可运行程序




    6:根据得到的结果,一般是MSE的值越小,R值越接近1,其训练的效果比较,并第二张图给出了神经网络的各参数的设置以及其最终的结果,其拟合图R越接近1,模型拟合的更好








    最终的结果图

    7:如果所得到的模型不能满足你的需求,则需重复上述的步骤直至能够得到你想要的精确度

    8:将最终的得到的各种数据以及其拟合值进行保存,然后查看,就可以得到所要的拟合值



    最后参考了网上和MATLAB的帮助,给出了一些与神经网络相关的函数,希望能够帮助大家。。
     图形用户界面功能。 
        nnstart - 神经网络启动GUI 
        nctool - 神经网络分类工具 
        nftool - 神经网络的拟合工具 
        nntraintool - 神经网络的训练工具 
        nprtool - 神经网络模式识别工具 
        ntstool - NFTool神经网络时间序列的工具 
        nntool - 神经网络工具箱的图形用户界面。 
        查看 - 查看一个神经网络。 
      
      网络的建立功能。 
        cascadeforwardnet - 串级,前馈神经网络。 
        competlayer - 竞争神经层。 
        distdelaynet - 分布时滞的神经网络。 
        elmannet - Elman神经网络。 
        feedforwardnet - 前馈神经网络。 
        fitnet - 函数拟合神经网络。 
        layrecnet - 分层递归神经网络。 
        linearlayer - 线性神经层。 
        lvqnet - 学习矢量量化(LVQ)神经网络。 
        narnet - 非线性自结合的时间序列网络。 
        narxnet - 非线性自结合的时间序列与外部输入网络。 
        newgrnn - 设计一个广义回归神经网络。 
        newhop - 建立经常性的Hopfield网络。 
        newlind - 设计一个线性层。 
        newpnn - 设计概率神经网络。 
        newrb - 径向基网络设计。 
        newrbe - 设计一个确切的径向基网络。 
        patternnet - 神经网络模式识别。 
        感知 - 感知。 
        selforgmap - 自组织特征映射。 
        timedelaynet - 时滞神经网络。 
      
      利用网络。 
        网络 - 创建一个自定义神经网络。 
        SIM卡 - 模拟一个神经网络。 
        初始化 - 初始化一个神经网络。 
        适应 - 允许一个神经网络来适应。 
        火车 - 火车的神经网络。 
        DISP键 - 显示一个神经网络的属性。 
        显示 - 显示的名称和神经网络属性 
        adddelay - 添加延迟神经网络的反应。 
        closeloop - 神经网络的开放反馈转换到关闭反馈回路。 
        formwb - 表格偏见和成单个向量的权重。 
        getwb - 将它作为一个单一向量中的所有网络权值和偏差。 
        noloop - 删除神经网络的开放和关闭反馈回路。 
        开环 - 转换神经网络反馈,打开封闭的反馈循环。 
        removedelay - 删除延迟神经网络的反应。 
        separatewb - 独立的偏见和重量/偏置向量的权重。 
        setwb - 将所有与单个矢量网络权值和偏差。 
      
      Simulink的支持。 
        gensim - 生成Simulink模块来模拟神经网络。 
        setsiminit - 集神经网络的Simulink模块的初始条件 
        getsiminit - 获取神经网络Simulink模块的初始条件 
        神经元 - 神经网络Simulink的模块库。 
      
      培训职能。 
        trainb - 批具有重量与偏见学习规则的培训。 
        trainbfg - 的BFGS拟牛顿倒传递。 
        trainbr - 贝叶斯规则的BP算法。 
        trainbu - 与重量与偏见一批无监督学习规则的培训。 
        trainbuwb - 与体重无监督学习规则与偏见一批培训。 
        trainc - 循环顺序重量/偏见的培训。 
        traincgb - 共轭鲍威尔比尔重新启动梯度反向传播。 
        traincgf - 共轭弗莱彻-里夫斯更新梯度反向传播。 
        traincgp - 共轭波拉克- Ribiere更新梯度反向传播。 
        traingd - 梯度下降反向传播。 
        traingda - 具有自适应LR的反向传播梯度下降。 
        traingdm - 与动量梯度下降。 
        traingdx - 梯度下降瓦特/惯性与自适应LR的反向传播。 
        trainlm - 采用Levenberg -马奎德倒传递。 
        trainoss - 一步割线倒传递。 
        trainr - 随机重量/偏见的培训。 
        trainrp - RPROP反向传播。 
        trainru - 无监督随机重量/偏见的培训。 
        火车 - 顺序重量/偏见的培训。 
        trainscg - 规模化共轭梯度BP算法。 
      
      绘图功能。 
        plotconfusion - 图分类混淆矩阵。 
        ploterrcorr - 误差自相关时间序列图。 
        ploterrhist - 绘制误差直方图。 
        plotfit - 绘图功能适合。 
        plotinerrcorr - 图输入错误的时间序列的互相关。 
        plotperform - 小区网络性能。 
        plotregression - 线性回归情节。 
        plotresponse - 动态网络图的时间序列响应。 
        plotroc - 绘制受试者工作特征。 
        plotsomhits - 小区自组织图来样打。 
        plotsomnc - 小区自组织映射邻居的连接。 
        plotsomnd - 小区自组织映射邻居的距离。 
        plotsomplanes - 小区自组织映射重量的飞机。 
        plotsompos - 小区自组织映射重量立场。 
        plotsomtop - 小区自组织映射的拓扑结构。 
        plottrainstate - 情节训练状态值。 
        plotwb - 图寒春重量和偏差值图。 
      
      列出其他神经网络实现的功能。 
        nnadapt - 适应职能。 
        nnderivati​​ve - 衍生功能。 
        nndistance - 距离函数。 
        nndivision - 除功能。 
        nninitlayer - 初始化层功能。 
        nninitnetwork - 初始化网络功能。 
        nninitweight - 初始化权函数。 
        nnlearn - 学习功能。 
        nnnetinput - 净输入功能。 
        nnperformance - 性能的功能。 
        nnprocess - 处理功能。 
        nnsearch - 线搜索功能。 
        nntopology - 拓扑结构的功能。 
        nntransfer - 传递函数。 
        nnweight - 重量的功能。 
     nndemos - 神经网络工具箱的示威。 
        nndatasets - 神经网络工具箱的数据集。 
        nntextdemos - 神经网络设计教科书的示威。 
        nntextbook - 神经网络设计教科书的资讯。

     

    展开全文
  • matlab神经网络工具箱系统预测 有原始数据 根据原始数据预测未来十年内数据
  • 最近一段时间在研究如何...发现神经网络模型可以来预测,并且有很多是结合时间序列或者SVM(支持向量机)等组合模型来进行预测,本文结合实际数据,选取了常用BP神经网络算法,其算法原理,因网上一大堆,所以在此...

    最近一段时间在研究如何利用预测其销量个数,在网上搜索了一下,发现了很多模型来预测,比如利用回归模型、时间序列模型,GM(1,1)模型,可是自己在结合实际的工作内容,发现这几种模型预测的精度不是很高,于是再在网上进行搜索,发现神经网络模型可以来预测,并且有很多是结合时间序列或者SVM(支持向量机)等组合模型来进行预测,本文结合实际数据,选取了常用的BP神经网络算法,其算法原理,因网上一大堆,所以在此不必一一展示,并参考了bp神经网络进行交通预测的Matlab源代码这篇博文,运用matlab 2016a,给出了下面的代码,并最终进行了预测

    clc

    clear all

    close all

    %bp 神经网络的预测代码

    %载入输出和输入数据

    load C:\Users\amzon\Desktop\p.txt;

    load C:\Users\amzon\Desktop\t.txt;

    %保存数据到matlab的工作路径里面

    save p.mat;

    save t.mat;%注意t必须为行向量

    %赋值给输出p和输入t

    p=p;

    t=t;

    %数据的归一化处理,利用mapminmax函数,使数值归一化到[-1.1]之间

    %该函数使用方法如下:[y,ps] =mapminmax(x,ymin,ymax),x需归化的数据输入,

    %ymin,ymax为需归化到的范围,不填默认为归化到[-1,1]

    %返回归化后的值y,以及参数ps,ps在结果反归一化中,需要调用

    [p1,ps]=mapminmax(p);

    [t1,ts]=mapminmax(t);

    %确定训练数据,测试数据,一般是随机的从样本中选取70%的数据作为训练数据

    %15%的数据作为测试数据,一般是使用函数dividerand,其一般的使用方法如下:

    %[trainInd,valInd,testInd] = dividerand(Q,trainRatio,valRatio,testRatio)

    [trainsample.p,valsample.p,testsample.p] =dividerand(p,0.7,0.15,0.15);

    [trainsample.t,valsample.t,testsample.t] =dividerand(t,0.7,0.15,0.15);

    %建立反向传播算法的BP神经网络,使用newff函数,其一般的使用方法如下

    %net = newff(minmax(p),[隐层的神经元的个数,输出层的神经元的个数],{隐层神经元的传输函数,输出层的传输函数},'反向传播的训练函数'),其中p为输入数据,t为输出数据

    %tf为神经网络的传输函数,默认为'tansig'函数为隐层的传输函数,

    %purelin函数为输出层的传输函数

    %一般在这里还有其他的传输的函数一般的如下,如果预测出来的效果不是很好,可以调节

    %TF1 = 'tansig';TF2 = 'logsig';

    %TF1 = 'logsig';TF2 = 'purelin';

    %TF1 = 'logsig';TF2 = 'logsig';

    %TF1 = 'purelin';TF2 = 'purelin';

    TF1='tansig';TF2='purelin';

    net=newff(minmax(p),[10,1],{TF1 TF2},'traingdm');%网络创建

    %网络参数的设置

    net.trainParam.epochs=10000;%训练次数设置

    net.trainParam.goal=1e-7;%训练目标设置

    net.trainParam.lr=0.01;%学习率设置,应设置为较少值,太大虽然会在开始加快收敛速度,但临近最佳点时,会产生动荡,而致使无法收敛

    net.trainParam.mc=0.9;%动量因子的设置,默认为0.9

    net.trainParam.show=25;%显示的间隔次数

    % 指定训练参数

    % net.trainFcn = 'traingd'; % 梯度下降算法

    % net.trainFcn = 'traingdm'; % 动量梯度下降算法

    % net.trainFcn = 'traingda'; % 变学习率梯度下降算法

    % net.trainFcn = 'traingdx'; % 变学习率动量梯度下降算法

    % (大型网络的首选算法)

    % net.trainFcn = 'trainrp'; % RPROP(弹性BP)算法,内存需求最小

    % 共轭梯度算法

    % net.trainFcn = 'traincgf'; %Fletcher-Reeves修正算法

    % net.trainFcn = 'traincgp'; %Polak-Ribiere修正算法,内存需求比Fletcher-Reeves修正算法略大

    % net.trainFcn = 'traincgb'; % Powell-Beal复位算法,内存需求比Polak-Ribiere修正算法略大

    % (大型网络的首选算法)

    %net.trainFcn = 'trainscg'; % ScaledConjugate Gradient算法,内存需求与Fletcher-Reeves修正算法相同,计算量比上面三种算法都小很多

    % net.trainFcn = 'trainbfg'; %Quasi-Newton Algorithms - BFGS Algorithm,计算量和内存需求均比共轭梯度算法大,但收敛比较快

    % net.trainFcn = 'trainoss'; % OneStep Secant Algorithm,计算量和内存需求均比BFGS算法小,比共轭梯度算法略大

    % (中型网络的首选算法)

    %net.trainFcn = 'trainlm'; %Levenberg-Marquardt算法,内存需求最大,收敛速度最快

    % net.trainFcn = 'trainbr'; % 贝叶斯正则化算法

    % 有代表性的五种算法为:'traingdx','trainrp','trainscg','trainoss', 'trainlm'

    %在这里一般是选取'trainlm'函数来训练,其算对对应的是Levenberg-Marquardt算法

    net.trainFcn='trainlm';

    [net,tr]=train(net,trainsample.p,trainsample.t);

    %计算仿真,其一般用sim函数

    [normtrainoutput,trainPerf]=sim(net,trainsample.p,[],[],trainsample.t);%训练的数据,根据BP得到的结果

    [normvalidateoutput,validatePerf]=sim(net,valsample.p,[],[],valsample.t);%验证的数据,经BP得到的结果

    [normtestoutput,testPerf]=sim(net,testsample.p,[],[],testsample.t);%测试数据,经BP得到的结果

    %将所得的结果进行反归一化,得到其拟合的数据

    trainoutput=mapminmax('reverse',normtrainoutput,ts);

    validateoutput=mapminmax('reverse',normvalidateoutput,ts);

    testoutput=mapminmax('reverse',normtestoutput,ts);

    %正常输入的数据的反归一化的处理,得到其正式值

    trainvalue=mapminmax('reverse',trainsample.t,ts);%正常的验证数据

    validatevalue=mapminmax('reverse',valsample.t,ts);%正常的验证的数据

    testvalue=mapminmax('reverse',testsample.t,ts);%正常的测试数据

    %做预测,输入要预测的数据pnew

    pnew=[313,256,239]';

    pnewn=mapminmax(pnew);

    anewn=sim(net,pnewn);

    anew=mapminmax('reverse',anewn,ts);

    %绝对误差的计算

    errors=trainvalue-trainoutput;

    %plotregression拟合图

    figure,plotregression(trainvalue,trainoutput)

    %误差图

    figure,plot(1:length(errors),errors,'-b')

    title('误差变化图')

    %误差值的正态性的检验

    figure,hist(errors);%频数直方图

    figure,normplot(errors);%Q-Q图

    [muhat,sigmahat,muci,sigmaci]=normfit(errors);%参数估计 均值,方差,均值的0.95置信区间,方差的0.95置信区间

    [h1,sig,ci]= ttest(errors,muhat);%假设检验

    figure, ploterrcorr(errors);%绘制误差的自相关图

    figure, parcorr(errors);%绘制偏相关图

    运行之后的,结果如下:


    BP神经网络的结果分析图


    训练数据的梯度和均方误差之间的关系图


    验证数据的梯度与学习次数


    残差的正态的检验图(Q-Q图)



    在网上,发现可以通过神经网络工具箱这个GUI界面来创建神经网络,其一般的操作步骤如下:

    1:在输入命令里面输入nntool命令,或者在应用程序这个选项下找到Netrual Net Fitting 这个应用程序,点击打开,就能看见如下界面






    2:输入数据和输出数据的导入(在本文中选取了matlab自带的案例数据)



    3:随机选择三种类型的数据所占的样本量的比例,一般选取默认即可

     


    4:隐层神经元的确定
                                                                                  


    5:训练算法的选取,一般是选择默认即可,选择完成后点击<train>按钮即可运行程序




    6:根据得到的结果,一般是MSE的值越小,R值越接近1,其训练的效果比较,并第二张图给出了神经网络的各参数的设置以及其最终的结果,其拟合图R越接近1,模型拟合的更好








    最终的结果图
    7:如果所得到的模型不能满足你的需求,则需重复上述的步骤直至能够得到你想要的精确度

    8:将最终的得到的各种数据以及其拟合值进行保存,然后查看,就可以得到所要的拟合值




    最后参考了网上和MATLAB的帮助,给出了一些与神经网络相关的函数,希望能够帮助大家。。
     
    图形用户界面功能。 
        
    nnstart - 神经网络启动GUI 
        
    nctool - 神经网络分类工具 
        
    nftool - 神经网络的拟合工具 
        
    nntraintool - 神经网络的训练工具 
        
    nprtool - 神经网络模式识别工具 
        
    ntstool - NFTool神经网络时间序列的工具 
        
    nntool - 神经网络工具箱的图形用户界面。 
        
    查看 - 查看一个神经网络。 
      
      
    网络的建立功能。 
        
    cascadeforwardnet - 串级,前馈神经网络。 
        
    competlayer - 竞争神经层。 
        
    distdelaynet - 分布时滞的神经网络。 
        
    elmannet - Elman神经网络。 
        
    feedforwardnet - 前馈神经网络。 
        
    fitnet - 函数拟合神经网络。 
        
    layrecnet - 分层递归神经网络。 
        
    linearlayer - 线性神经层。 
        
    lvqnet - 学习矢量量化(LVQ)神经网络。 
        
    narnet - 非线性自结合的时间序列网络。 
        
    narxnet - 非线性自结合的时间序列与外部输入网络。 
        
    newgrnn - 设计一个广义回归神经网络。 
        
    newhop - 建立经常性的Hopfield网络。 
        
    newlind - 设计一个线性层。 
        
    newpnn - 设计概率神经网络。 
        
    newrb - 径向基网络设计。 
        
    newrbe - 设计一个确切的径向基网络。 
        
    patternnet - 神经网络模式识别。 
        
    感知 - 感知。 
        
    selforgmap - 自组织特征映射。 
        
    timedelaynet - 时滞神经网络。 
      
      
    利用网络。 
        
    网络 - 创建一个自定义神经网络。 
        
    SIM卡 - 模拟一个神经网络。 
        
    初始化 - 初始化一个神经网络。 
        
    适应 - 允许一个神经网络来适应。 
        
    火车 - 火车的神经网络。 
        
    DISP键 - 显示一个神经网络的属性。 
        
    显示 - 显示的名称和神经网络属性 
        
    adddelay - 添加延迟神经网络的反应。 
        
    closeloop - 神经网络的开放反馈转换到关闭反馈回路。 
        
    formwb - 表格偏见和成单个向量的权重。 
        
    getwb - 将它作为一个单一向量中的所有网络权值和偏差。 
        
    noloop - 删除神经网络的开放和关闭反馈回路。 
        
    开环 - 转换神经网络反馈,打开封闭的反馈循环。 
        
    removedelay - 删除延迟神经网络的反应。 
        
    separatewb - 独立的偏见和重量/偏置向量的权重。 
        
    setwb - 将所有与单个矢量网络权值和偏差。 
      
      
    Simulink的支持。 
        
    gensim - 生成Simulink模块来模拟神经网络。 
        
    setsiminit - 集神经网络的Simulink模块的初始条件 
        
    getsiminit - 获取神经网络Simulink模块的初始条件 
        
    神经元 - 神经网络Simulink的模块库。 
      
      
    培训职能。 
        
    trainb - 批具有重量与偏见学习规则的培训。 
        
    trainbfg - 的BFGS拟牛顿倒传递。 
        
    trainbr - 贝叶斯规则的BP算法。 
        
    trainbu - 与重量与偏见一批无监督学习规则的培训。 
        
    trainbuwb - 与体重无监督学习规则与偏见一批培训。 
        
    trainc - 循环顺序重量/偏见的培训。 
        
    traincgb - 共轭鲍威尔比尔重新启动梯度反向传播。 
        
    traincgf - 共轭弗莱彻-里夫斯更新梯度反向传播。 
        
    traincgp - 共轭波拉克- Ribiere更新梯度反向传播。 
        
    traingd - 梯度下降反向传播。 
        
    traingda - 具有自适应LR的反向传播梯度下降。 
        
    traingdm - 与动量梯度下降。 
        
    traingdx - 梯度下降瓦特/惯性与自适应LR的反向传播。 
        
    trainlm - 采用Levenberg -马奎德倒传递。 
        
    trainoss - 一步割线倒传递。 
        
    trainr - 随机重量/偏见的培训。 
        
    trainrp - RPROP反向传播。 
        
    trainru - 无监督随机重量/偏见的培训。 
        
    火车 - 顺序重量/偏见的培训。 
        
    trainscg - 规模化共轭梯度BP算法。 
      
      
    绘图功能。 
        
    plotconfusion - 图分类混淆矩阵。 
        
    ploterrcorr - 误差自相关时间序列图。 
        
    ploterrhist - 绘制误差直方图。 
        
    plotfit - 绘图功能适合。 
        
    plotinerrcorr - 图输入错误的时间序列的互相关。 
        
    plotperform - 小区网络性能。 
        
    plotregression - 线性回归情节。 
        
    plotresponse - 动态网络图的时间序列响应。 
        
    plotroc - 绘制受试者工作特征。 
        
    plotsomhits - 小区自组织图来样打。 
        
    plotsomnc - 小区自组织映射邻居的连接。 
        
    plotsomnd - 小区自组织映射邻居的距离。 
        
    plotsomplanes - 小区自组织映射重量的飞机。 
        
    plotsompos - 小区自组织映射重量立场。 
        
    plotsomtop - 小区自组织映射的拓扑结构。 
        
    plottrainstate - 情节训练状态值。 
        
    plotwb - 图寒春重量和偏差值图。 
      
      
    列出其他神经网络实现的功能。 
        
    nnadapt - 适应职能。 
        
    nnderivati​​ve - 衍生功能。 
        
    nndistance - 距离函数。 
        
    nndivision - 除功能。 
        
    nninitlayer - 初始化层功能。 
        
    nninitnetwork - 初始化网络功能。 
        
    nninitweight - 初始化权函数。 
        
    nnlearn - 学习功能。 
        
    nnnetinput - 净输入功能。 
        
    nnperformance - 性能的功能。 
        
    nnprocess - 处理功能。 
        
    nnsearch - 线搜索功能。 
        
    nntopology - 拓扑结构的功能。 
        
    nntransfer - 传递函数。 
        
    nnweight - 重量的功能。 
     
    nndemos - 神经网络工具箱的示威。 
        
    nndatasets - 神经网络工具箱的数据集。 
        
    nntextdemos - 神经网络设计教科书的示威。 

        nntextbook - 神经网络设计教科书的资讯。 


    转自:http://blog.csdn.net/xgxyxs/article/details/53265318

    展开全文
  • 发现你在凌晨两点哈工大,你面前是一份EXCEL表格,表格内是你上周做磁滞回线的数据,可是你取点取非常糟糕,中 间部分点取数量不够充分,导致图形很不好看,此时一份BP神经网络 的MATLAB脚本出现在了你...

    5325d330395d576e24a1c5adcc673037.png

    有一天你醒了,发现你在凌晨两点的哈工大,你面前是一份EXCEL表格,表格内是你上周做的磁滞回线的数据,可是你取点取的非常糟糕,中 间部分的点取的数量不够充分,导致图形很不好看,此时一份BP神经网络 的MATLAB脚本出现在了你的桌面上,他可以帮助你合理预测磁滞回线的点集,所以下面我们就以大物实验之磁滞回线的玄学生成为例,来讲述如何成为大发明家。

    LaTeX:待补充

    MATLAB代码:

    hxslxd/nonsensegithub.com
    cd37352c4ac6b801a4f840cb5194da96.png

    21e8719ea3c58cd9458231fbde68808e.png

    5f64c3dda934197f2b8a7ec6f54f15ef.png

    ba1074ebcd320480508be2dc527c19dd.png

    77fb4f7989ed6e7d78b84158bb35016a.png

    35cc5f13a78fa77cc70634c7d6c46e23.png

    fd1150db79a2ccf4a33a0cd8dc11a203.png
    展开全文
  • BP神经网络数据预测的matlab源代码,可以直接运行,神经网络预测过程是用详细程序实现的,而没有调用工具箱,便于初学者了解神经网络的工作原理!代码简洁易懂,希望对matlab爱好者有帮助!
  • matlab神经网络工具箱

    千次阅读 2019-05-06 10:31:47
    这是一个简单对输入输出数据进行拟合得工具箱,使用具有隐藏层得神经网络结构。 在本文中选取样例,13*256得矩阵,表示256个人得13项身体指标样本数据。 在进行了前面比较简单选择之后,出现了这个界面,要求...

    分类

    在这里插入图片描述从左到右:
    1、聚类
    2、输入输出得拟合关系
    3、模式识别和分类
    4、动态时间序列预测
    下面我们分别来看一下这些神经网络工具箱得使用

    Neural net Fitting

    这是一个简单的对输入输出数据进行拟合得工具箱,使用具有隐藏层得神经网络结构。
    在本文中选取样例,13*256得矩阵,表示256个人得13项身体指标样本数据。
    在进行了前面比较简单的选择之后,出现了这个界面,要求选择训练算法(下面三种应该都是有监督算法):
    在这里插入图片描述1、Levenberg-Marquardt算法
    引用维基百科:
    莱文贝格-马夸特算法能提供数非线性最小化(局部最小)得数值解。此算法能借由执行时修改参数达到结合高斯-牛顿算法以及梯度下降法得优点,并对两者之不足做改善。
    如果下降太快,使用较小的λ,使之更接近高斯牛顿法
    如果下降太慢,使用较大的λ,使之更接近梯度下降法
    2、bayesian regularization算法
    在神经网络过程中,因为训练之后很可能会出现过拟合的状况(吴恩达得课程中有讲到过),其中的一个解决方法就是正则化。基本思想时是保留所有的特征量,但通过减少参数theta来避免某个特征量过拟合,可以用贝叶斯统计得思想来理解正则化。(我决定原理以后再学)
    3、Scaled Conjugate Gradient (SCG)
    特性:不需要参数,但不适用于所有得数据集

    回归评价指标:mse(均方误差)和R平方

    展开全文
  • 可能大家在网上也学习了ANFIS工具箱的使用方法,其实很简单,但是,有一个问题可能一直在困扰着大家,就是如何把ANFIS工具箱预测的结果提取出来,下面,我就把自己学习ANFIS的过程写一写吧。首先,我是根据这个帖子...
  • 发现你在凌晨两点哈工大,你面前是一份EXCEL表格,表格内是你上周做磁滞回线的数据,可是你取点取非常糟糕,中 间部分点取数量不够充分,导致图形很不好看,此时一份BP神经网络 的MATLAB脚本出现在了你...
  • 2.点击“应用程序”,选择神经网络工具箱。3.出现如下图框提示,点击“Next”。4.输入数据“input”,“output”,选择第二种矩阵类型。5.选择三种数据比例,这里选择比例为7:1:2。6.设置隐藏层神经元,选择...
  • MATLAB神经网络工具箱(代码简单实现)

    万次阅读 多人点赞 2018-07-27 21:17:56
    根据网上搜素关于MATLAB神经网络工具箱的GUI操作,结合书上代码来跑了一遍,发现代码是引用了神经网络工具箱来做工作 %% 该代码为基于BP神经网络预测算 %% 清空环境变量 clc clear %% 训练数据预测数据...
  • 在所有关系中,数学公式线性表达是对那些规律性数据的预测统计、而非线性关系的数据,数学方程式只能通过多个参数尽可能模拟数据曲线,神经网络的非线性拟合能力不仅在于参数多还在于激活函数非线性表达。...
  • 介绍Matlab神经网络工具箱在煤矿瓦斯治理工作中2个成功应用实例:用BP人工神经网络建立起采煤工作面平均瓦斯相对涌出量与地质构造间对应关系,预测未开采区域在采动时平均瓦斯相对涌出量;利用人工神经网络拟合已...
  • MATLAB神经网络工具箱产品描述

    千次阅读 2014-12-04 18:01:15
    神经网络工具箱™ 为复杂模型计算和非线性系统提供函数和应用,其并不是容易计算解模式化闭式方程.... 可以使用神经网络工具箱的应用程序实现数据拟合,模式识别,聚类,时间序列预测和动态系统建模与管理.
  • MATLAB神经网络工具箱(参数注释)

    万次阅读 2018-07-28 19:00:05
    前几天简单操作了第一章音频数据分类的神经网络代码,然后发现MATLAB有自带的神经网络的GUI 7.28 分析神经网络GUI参数,根据之前的数据设定参数构建神经网络 之前运用数据库是做音频分类,在这里就选择预测...
  • 采用Matlab神经网络工具箱能够方便地实现BP网络模型的创建、训练及仿真,可以大大减少建模和预测的时间,具有其他方法无可比拟的优势。 基于BP神经网络的电动小巴需求预测.pdf 三、...
  • MATLAB神经网络简单预测--气体传感器

    千次阅读 2017-06-14 21:27:00
    本文使用为最为流行前馈神经网络(feed-forward neural network),网络各层使用默认Sigmoid函数,以气体传感器为例简单介绍下MATLAB神经网络工具箱的使用。 我们有下面的数据原始电压CO_diff和温湿度(Te...
  • 我们利用matlab的神经网络工具箱来做预测。简化问题:基于神经网络拟合模型双色球预测。首先,利用爬虫获取我们想要的数据,再利用matlab代码导入数据集data = xlsread('C:\Users\Administrator\Desktop\双色球\...
  • 采用Matlab神经网络工具箱能够方便地实现BP网络模型的创建、训练及仿真,可以大大减少建模和预测的时间,具有其他方法无可比拟的优势。 基于BP神经网络的电动小巴需求预测.pdf 三、...
  • 采用Matlab神经网络工具箱能够方便地实现BP网络模型的创建、训练及仿真,可以大大减少建模和预测的时间,具有其他方法无可比拟的优势。 基于BP神经网络的电动小巴需求预测.pdf 三、...
  • 摘要:利用MATLAB工具箱,以平均气温、日照时数、平均风速为输入变量,建立了新疆石河子地区棉花耗水量RBF人工神经网络预测系统,通过2008年实测数据的检验表明,此预测系统网络模型绝对误差最大为0.0967mm/d、...
  • MATLAB神经网络工具箱 相关总结

    千次阅读 2019-01-03 22:39:44
    最近一段时间在研究如何...发现神经网络模型可以来预测,并且有很多是结合时间序列或者SVM(支持向量机)等组合模型来进行预测,本文结合实际数据,选取了常用BP神经网络算法,其算法原理,因网上一大堆,所以在此...
  • 本工具箱是基于 MATLAB 预测神经网络开发的工具箱,适用于:已知一组自变量和其对应的因变量,预测另一组自变量数据对应的因变量。 本工具箱基于 MATLAB 自带的 fitnet 类,对其建模、参数选择、模型分析过程进行了...
  • 摘要:利用MATLAB工具箱,以平均气温、日照时数、平均风速为输入变量,建立了新疆石河子地区棉花耗水量RBF人工神经网络预测系统,通过2008年实测数据的检验表明,此预测系统网络模型绝对误差最大为0.0967mm/d、...
  • (内蒙古工业大学理学院内蒙古 呼和浩特 010051) 摘 要本文采用基于误差反向传播算法BP算法的人工神经网络技术利用Mat lab神经网络工具箱建立了固体火箭发动机比冲性能预测的神经网络模型并利用实验数据进行了验证...
  • 实验内容:在MATLAB下,调用工具箱newrb,训练RBF神经网络使之能够利用历史数据预测未来时间序列数据。实验用是一个正弦电压波形,在Simulink中仿真后将数据导入excel,再读取excel中波形数据。用前一半数据做...
  • 第23章 Elman神经网络的数据预测----电力负荷预测模型研究 第24章 概率神经网络的分类预测--基于PNN变压器故障诊断 第25章 基于MIV的神经网络变量筛选----基于BP神经网络的变量筛选 第26章 LVQ神经网络的分类——...
  • 第23章 Elman神经网络的数据预测----电力负荷预测模型研究 第24章概率神经网络的分类预测--基于PNN变压器故障诊断 第25章基于MIV的神经网络变量筛选----基于BP神经网络的变量筛选 第26章LVQ神经网络的分类——乳腺...
  • 第23章 Elman神经网络的数据预测----电力负荷预测模型研究 第24章 概率神经网络的分类预测--基于PNN变压器故障诊断 第25章 基于MIV的神经网络变量筛选----基于BP神经网络的变量筛选 第26章 LVQ神经网络的分类——...
  • MATLAB神经网络43个案例分析源代码&数据 《MATLAB 神经网络43个案例分析》目录 第1章 BP神经网络的数据分类——语音特征信号分类 第2章 BP神经网络非线性系统建模——非线性函数拟合 第3章 遗传算法优化BP神经...
  • 第23章 Elman神经网络的数据预测----电力负荷预测模型研究 第24章 概率神经网络的分类预测--基于PNN变压器故障诊断 第25章 基于MIV的神经网络变量筛选----基于BP神经网络的变量筛选 第26章 LVQ神经网络的分类——...

空空如也

空空如也

1 2 3 4 5
收藏数 92
精华内容 36
关键字:

matlab神经网络数据预测的工具箱

matlab 订阅