精华内容
下载资源
问答
  • (1)时序预测(2)绘制预测值和真实值对比曲线(3)绘制真实值和预测值的误差对比曲线(4)可以通过更改参数显示多个预测
  • 辛烷值预测为例 clear all clc %% II. 训练集/测试集产生 %% % 1. 导入数据 load NIR.mat load octane.mat load new_x.mat %% % 2. 随机产生训练集和测试集 temp = randperm(size(NIR,1)); %打乱50个样本排序 % ...

    辛烷值预测为例

    clear all
    clc

    %% II. 训练集/测试集产生
    %%
    % 1. 导入数据
    load NIR.mat%指标数据
    load octane.mat%结果数据,相当于函数中的y
    load new_x.mat%新的数据进行验证
    %%
    % 2. 随机产生训练集和测试集
    temp = randperm(size(NIR,1));      %打乱50个样本排序
    % 训练集——40个样本 
    P_train = NIR(temp(1:40),:)';      
    T_train = octane(temp(1:40),: )';
    % 测试集——10个样本
    P_test = NIR(temp(41:end),:)';
    T_test = octane(temp(41:end),:)';
    N = size(P_test,2);

    %% III. 数据归一化
    [p_train, ps_input] = mapminmax(P_train,0,1);
    p_test = mapminmax('apply',P_test,ps_input);

    [t_train, ps_output] = mapminmax(T_train,0,1);              

    %% IV. BP神经网络创建、训练及仿真测试
    %%
    % 1. 创建网络
    net = newff(p_train,t_train,9);    %9是隐含层神经元的个数(大家改改测试下结果影响)

    %%
    % 2. 设置训练参数
    net.trainParam.epochs = 1000;   %迭代次数
    net.trainParam.goal = 1e-3;      %mse均方根误差小于这个值训练结束
    net.trainParam.lr = 0.01;         %学习率

    %%
    % 3. 训练网络
    net = train(net,p_train,t_train);

    %%
    % 4. 仿真测试
    t_sim = sim(net,p_test);         %返回10个样本的预测值

    %%
    % 5. 数据反归一化
    T_sim = mapminmax('reverse',t_sim,ps_output);   %反归一化结果

    %% V. 性能评价
    %%
    % 1. 相对误差error
    error = abs(T_sim - T_test)./T_test;

    %%
    % 2. 决定系数R^2
    R2 = (N * sum(T_sim .* T_test) - sum(T_sim) * sum(T_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((T_test).^2) - (sum(T_test))^2)); 

    %%
    % 3. 结果对比
    result = [T_test' T_sim' error']     %输出真实值,预测值,误差

    %% VI. 绘图
    figure(1)
    plot(1:N,T_test,'b:*',1:N,T_sim,'r-o')
    hold on
    plot(error)
    legend('真实值','预测值')
    xlabel('预测样本')
    ylabel('辛烷值')
    string = {'测试集辛烷值含量预测结果对比';['R^2=' num2str(R2)]};
    title(string)

    %% VII. 预测新的数据
    predict_y = zeros(10,1);
    for i = 1: 10
        result1 = sim(net, new_x(i,:)');%调用训练好的网络进行预测
        result = mapminmax('reverse',result1,ps_output);%反归一化处理
        predict_y(i) = result;%得到最终的数据预测值
    end
    disp('预测值为:')
    disp(predict_y)

    展开全文
  • BP神经网络:是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络。神经网络是把生活中的常见情节推广到计算仿真的范畴,这样...

    BP神经网络:是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络。神经网络是把生活中的常见情节推广到计算仿真的范畴,这样的启发式算法还有许多,例如:遗传算法、烟花算法、蚁群算法、模拟退火算法等等。

    一、神经网络算法步骤

    1、导入需要处理的数据,随机获取实验数据和目标数据。

    2、构建训练网络,函数:newwff。

    3、对网络训练,函数:train。

    4、仿真操作,函数:sin(net,x)。

    5、评价。

    6、模拟训练的效果可视化。

    在神经网络训练中,我们构建神经网络的实验数据和目标收敛数据都是从原始数据中随机获取的。

    二、神经网络学习主要函数说明

    1. newff:前馈网络创建函数
      函数结构:net = newff(A,B,{C},’trainFun’,’BLF’,’PF’)。
      参数:
      A:一个n*2的矩阵,第i行元素为输入信号Xi的最大最小值;
      B:一个K维行向量,其元素为网络中各个节点的数量;
      C:一个K维字符串行向量,每一个分量为对应层的神经元的激活函数,默认为“tansig”;
      trainFun:为学习规则的采用的训练算法。默认为:“trainlm”;
      BLF:BP权值/偏差学习函数。默认为:“learngdm”;
      PF:性能函数,默认为“mse”;

    2. train函数
      函数结构
      网络学习函数:[net,tr,YI,E] = train(net,X,Y) 。
      参数:
      X:网络实际输入;
      Y:网络应有输出;
      tr:网络跟踪信息;
      YI:网络实际输出;
      E:误差矩阵。

    3. sim函数
      函数结构:Y = sim(net,X) 。
      参数
      X:输入给网络的KN矩阵,K为网络输入个数,N为样本数据量;
      Y:输出矩阵Q
      N,其中Q为网络输出个数。

    三、案例

    1.案例1

    利用三层BP神经网络来完成非线性函数的逼近任务,其中隐层神经元个数为五个。

    clear; clc;
    
    X=-1:0.1:1;
    
    D=[-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609...
    
        0.1336 -0.2013 -0.4344
    -0.5000 -0.3930 -0.1647 -.0988...
    
        0.3072 0.3960 0.3449
    0.1816 -0.312 -0.2189 -0.3201];
    
    net=newff([-1,1],[5,1],{'tansig','tansig'});%初始网络
    
    net.trainParam.epochs=1000;%最大训练次数
    
    net.trainParam.goal=0.005;%训练要求精度
    
    net=train(net,X,D);%网络训练
    
    figure
    
    plot(X,D,'*',X,Y); %绘制实际曲线点和预测曲线
    
    % 利用得到的神经网络和数据仿真预测
    
    Y=sim(net,X)  %Y为预测结果
    

    在这里插入图片描述

    2.案例2

    clear;clc;
    
    P=[-1 -1 2 2 4;0
    5 0 5 7];
    
    T=[-1 -1 1 1
    -1];
    
    % 样本数据归一化处理
    
    [input_n,input_ps]=mapminmax(P);
    
    [output_n,output_ps]=mapminmax(T);
    
    % 初始化网络结果(利用minmax函数求输入样本范围)
    
    net=newff(input_n,output_n,[5,1]);%三个数据为输入样本数据,输出样本数据和隐含层节点数
    
    %设置参数
    
    net.trainParam.show=50;
    
    net.trainParam.lr=0.05;
    
    net.trainParam.epochs=300;
    
    net.trainParam.goal=0.005;
    
    %网络训练
    
    [net,tr]=train(net,P,T);
    
    %利用得到的神经网络和数据仿真预测
    
    Y=sim(net,P)%Y为预测结果
    

    在这里插入图片描述
    以上是BP神经网络的相关介绍,BP神经网络适用于大样本数据的预测,至于小样本还有灰色理论、最小二乘支持向量机、广义回归神经网络、灰色神经网络,不同的数据需要根据其自身特点选择不同的预测方法。在很多次实验之后,我比较钟情于BP神经网络和组合预测,组合预测是大趋势,客观上有道理,主观上有更大的操作可能性。
    下面给出广义回归神经网络(包含交叉验证过程的GRNN)用于小样本量预测的代码,包括BP神经网络预测结果的对比。
    GRNN预测,BP对比

    展开全文
  • matlab 粒子群算法优化神经网络预测 直接使用 可用于流量预测
  • 网络上找的bp神经网络的学习预测模型亲测真的不可以用啊 TAT 要不就预测的值和实际值差了几千里,可能是我数据少的缘故吧。无论如何,先发上来记录一下吧。。。 题目是知道了十年内的广州市房价,往后预测3年后的...
     最近做了一个校数学建模的比赛,谢了一篇论文,里面用了好几个模型。网络上找的bp神经网络的学习预测模型亲测真的不可以用啊 TAT 要不就预测的值和实际值差了几千里,可能是我数据少的缘故吧。无论如何,先发上来记录一下吧。。。
     题目是知道了十年内的广州市房价,往后预测3年后的房价。我直接丢10年内的数据。
    

    版本一:
    x=[5119.276,6688.352,6842.004,7196.007,8360.984,8255.013,12839.98,14399.89,14502.29,16537.52];

    lag=1;
    % 自回归阶数
    iinput=x;
    % x为原始序列(行向量)
    n=length(iinput);
    %准备输入和输出数据
    inputs=zeros(lag,n-lag);
    for i=1:n-lag
    inputs(:,i)=iinput(i:i+lag-1)’;
    end
    targets=x(lag+1:end);
    %创建网络
    hiddenLayerSize = 10;
    %隐藏层神经元个数
    net = fitnet(hiddenLayerSize);
    % 避免过拟合,划分训练,测试和验证数据的比例
    net.divideParam.trainRatio = 50/100;
    net.divideParam.valRatio = 25/100;
    net.divideParam.testRatio = 25/100;
    %训练网络
    [net,tr] = train(net,inputs,targets);
    net.trainParam.show=1000; %每1000轮回显示一次结果
    net.trainParam.Lr=0.05; %学习速率为0.05
    net.trainParam.epochs=3000; %循环10000次
    net.trainParam.goal=0.0000000001; %均方误差
    %% 根据图表判断拟合好坏
    %yn=net(inputs);
    % errors=targets-yn;
    %figure, ploterrcorr(errors)
    %绘制误差的自相关情况(20lags)
    % figure, parcorr(errors)
    %绘制偏相关情况
    % [h,pValue,stat,cValue]= lbqtest(errors)
    %Ljung-Box Q检验(20lags) figure,plotresponse(con2seq(targets),con2seq(yn))
    %看预测的趋势与原趋势% figure, ploterrhist(errors)
    %误差直方图% figure, plotperform(tr)
    %误差下降线%% 下面预测往后预测几个时间段
    fn=3;
    %预测步数为fn。

    f_in=iinput(n-lag+1:end)’;f_out=zeros(1,fn);
    %预测输出% 多步预测时,用下面的循环将网络输出重新输入
    for i=1:fn f_out(i)=net(f_in);
    f_in=[f_in(2:end);f_out(i)];
    end
    % 画出预测图
    figure,plot(2007:2016,iinput,’b’,2016:2019,[iinput(end),f_out],’r’)

    版本二:

    clc
    clear all
    p=[2007:2019];
    t=[6795,7456,8677,11534,14605,15472,18163,18747,19711,21164,25380,28350,31660];
    %t=[6795,7456,8677,11534,14605,15472,18163,18747,19711,21164];
    %数据归一化
    [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);
    dx=[-1,1];
    %BP网络训练
    net=newff(dx,[5,1],{‘tansig’,’tansig’,’purelin’},’traingdx’);
    net.trainParam.show=1000; %每1000轮回显示一次结果
    net.trainParam.Lr=0.05; %学习速率为0.05
    net.trainParam.epochs=3000; %循环10000次
    net.trainParam.goal=0.00001; %均方误差
    net=train(net,pn,tn);
    %对原数据进行仿真
    an=sim(net,pn);
    a=postmnmx(an,mint,maxt); %还原仿真得到的数据
    %与实际数据对比
    x=2007:2019;
    newk=a(1,:);
    figure;
    plot(x,newk,’r-o’,x,t,’b–+’);
    legend(‘预测值’,’实际值’);
    xlabel(‘时间’);
    ylabel(‘房价’);
    %对新数据进行预测
    pnew=[2017 2018 2019];%预测下三年的数据
    pnewn=tramnmx(pnew,minp,maxp);%新数据归一化
    anewn=sim(net,pnewn);
    anew=postmnmx(anewn,mint,maxt)%还原得到预测值

    你们看着吧。。。。不懂的可以问我,我错了的也可以和我说。不是原创,参考了网络上的程序,改了改。

    展开全文
  • bp神经网络进行交通预测Matlab源代码 BP 神经网络用于预测 使用平台 - Matlab7.0 数据为1986年到2000年的交通量 ,网络为3输入,1输出 15组数据,其中9组为正常训练数据,3组为变量数据,3组为测试数据
  • 蚁群算法ACO优化BP神经网络回归预测的算法设计及其MATLAB代码实现 文章目录蚁群算法ACO优化BP神经网络回归预测的算法设计及其MATLAB代码实现1. 蚁群算法简介2. 蚁群算法优化BP神经网络回归预测模型的设计步骤3. ACO-...

    蚁群算法ACO优化BP神经网络回归预测的算法设计及其MATLAB代码实现

    1. 蚁群算法简介

    蚁群算法(Ant Clony Optimization, ACO)是一种仿生智能优化算法,最早由意大利学者Dorigo、Maniezzo等于1991年提出,常用于求解旅行商TSP,路径规划等问题。蚁群算法的灵感来源于蚂蚁觅食的过程,蚂蚁在寻找食物源的路径上会留下信息素,而群体内的蚂蚁可以感知信息素,并沿着信息素浓度高的地方移动,形成正反馈机制。经过一段时间之后,蚂蚁就可以确定一条到达食物源的最优路径。

    2. 蚁群算法优化BP神经网络回归预测模型的设计步骤

    2.1 基本思路 用蚁群算法ACO优化BP神经网络的基本思路是:首先取出权值矩阵和阈值向量的元素,构成蚂蚁种群的路径坐标。因为蚂蚁到达食物源的路径越短,则路径上的信息素含量越高,所以将均方误差作为蚂蚁的适应度值。最终蚂蚁种群确定的最短路径作为最优的初始权值和阈值参数,再赋给BP神经网络,进行训练和测试,并与优化前的BP神经网络预测进行误差对比。

    2.2 蚁群算法优化BP神经网络预测的步骤:

    步骤一:读取数据,初始化BP神经网络的结构与ACO算法的参数。
    步骤二:计算解空间的维度,初始化蚂蚁位置与最高信息素。
    蚁群算法开始迭代(K=1,Start loop)。
    步骤三:根据蚂蚁的位置,计算信息素含量。
    步骤四:计算最高信息素,更新最优的个体位置。
    步骤五:按概率转移和更新蚂蚁位置。
    步骤六:执行步骤三——五的循环体,达到终止代数(K=max_iteration,End loop)。
    步骤七:取出优化后的最佳蚂蚁位置坐标,赋给BP神经网络,得到最优的初始权值矩阵和阈值向量。
    步骤八:优化后的BP神经网络进行训练与测试,比较优化前后的BP神经网络预测精度。

    2.3 蚁群算法优化BP神经网络回归预测的流程图设计

    在这里插入图片描述

    3. ACO-BP回归预测模型的参数设置

    3.1 数据说明
    采用建筑物能源数据集,含有8个特征指标(影响因素),单输出预测指标。

    3.2 数据格式

    样本编号features1features2features3featuresntarget
    1
    2
    n

    3.3 优化变量的选取与适应度函数设计
    优化BP神经网络的权值和阈值参数,将训练集与测试集整体的均方误差作为适应度函数。

    在这里插入图片描述
    式中,TraingingSet,TestingSet,分别为训练集和测试集的样本。

    3.4 算法的参数设置

    a)BP神经网络的参数设置

    net=newff(inputn,outputn,hiddennum_best,{'tansig','purelin'},'trainlm','learngdm');% 建立模型
    
    %网络参数配置
    net.trainParam.epochs=1000;         % 训练次数
    net.trainParam.lr=0.01;                   % 学习速率
    net.trainParam.goal=0.00001;                    % 训练目标最小误差
    net.trainParam.show=25;                % 显示频率
    net.trainParam.mc=0.01;                 % 动量因子
    net.trainParam.min_grad=1e-6;       % 最小性能梯度
    net.trainParam.max_fail=6;               % 最高失败次数
    
    

    b) 蚁群算法算法的参数设置

    %初始化ACO参数
    popsize=10;   %初始种群规模
    maxgen=50;   %最大进化代数
    dim=inputnum*hiddennum_best+hiddennum_best+hiddennum_best*outputnum+outputnum;    %自变量个数
    lb=repmat(-3,1,dim);    %自变量下限
    ub=repmat(3,1,dim);   %自变量上限
    rou=0.9;  %信息素挥发系数
    p0=0.2;  %转移概率常数
    Q=1;  %信息释放总量
    p=zeros(1,popsize);   %转移概率
    Positions=zeros(popsize,dim);   %蚂蚁种群
    tau=zeros(popsize,1);     %信息素记录
    
    

    3.5 使用蚁群算法优化后的BP神经网络进行预测,并与BP神经网络的预测结果进行误差分析和对比

    4. 运行结果

    4.1 运行过程
    在这里插入图片描述
    智能优化算法是采用迭代搜索策略寻找全局最优解,对于大数据集样本而言,会消耗很多时间运行程序,而无法快速的得到期望的效果。所以在编写程序时设计了进度条,可点击取消(Cancel)按钮,随时终止循环并执行后续程序。

    4.2 蚁群算法优化神经网络的进化曲线

    在这里插入图片描述

    4.3 优化结果与误差分析对比

    在这里插入图片描述
    在这里插入图片描述

    5. MATLAB代码与数据地址

    改进的BP神经网络回归预测算法类别代码地址
    BPBP神经网络回归预测MATLAB代码
    GA-BP[GA优化BP回归预测MATLAB代码(含优化前的对比)]
    PSO-BP[粒子群算法PSO优化BP神经网络回归预测MATLAB代码]
    ACO-BP[蚁群算法ACO优化BP神经网络回归预测MATLAB代码]
    ASO-BP[原子搜索算法ASO优化BP神经网络回归预测MATLAB代码]
    SSA-BP[麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码]
    WOA-BP[鲸鱼优化算法WOA优化BP神经网络回归预测MATLAB代码]
    ABC-BP[人工蜂群算法ABC优化BP神经网络回归预测MATLAB代码]
    SOA-BP[海鸥优化算法SOA优化BP神经网络回归预测MATLAB代码]
    CS-BP[布谷鸟搜索算法CS优化BP神经网络回归预测MATLAB代码]
    Logistic-ASO-BP[基于Logistic混沌映射改进的原子搜索算法ASO优化BP神经网络回归预测MATLAB代码]
    Logistic-SSA-BP[基于Logstic混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码]
    Tent-ASO-BP[基于Tent混沌映射改进的原子搜索算法ASO优化BP神经网络回归预测MATLAB代码]
    Tent-SSA-BP[基于Tent混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码]
    Sine-SSA-BP[基于Sine混沌映射改进的麻雀搜索算法SSA优化BP神经网络回归预测MATLAB代码]
    GA-ACO-BP[混合遗传蚁群算法GA-ACO优化BP神经网络回归预测MATLAB代码]
    展开全文
  • 鲸鱼优化算法WOA优化BP神经网络回归预测模型以及MATLAB代码实现 文章目录鲸鱼优化算法WOA优化BP神经网络回归预测模型以及MATLAB代码实现1. 算法描述2. 鲸鱼优化算法优化BP神经网络预测的步骤与流程图设计3. WOA-BP...
  • 回归分析2:BP神经网络matlab实现

    千次阅读 2019-10-11 11:11:16
    T1 = sim(net,P_test) % BP神经网络的仿真结果 f = fuji(14,39:51); % g = T1(:,38:50); s = []; for a = 1:13 s(a) = abs(T1(a) -f(a))/abs(f(a)) %相对误差 R1(a) = power((f(a) - T1(a))/f(a),2); end means = ...
  • 基于BP神经网络回归预测

    万次阅读 多人点赞 2019-05-18 17:18:50
    如图所示为一个BP神经网络的结构图,它的左、右各层之间各个神经元实现全连接,即左层的每一个神经元与右层的每个神经元都有连接,而上下各神经元之间无连接。BP神经网络按有监督学习方式进行训练,当一对学习模式...
  • MATLABBP神经网络算法用于回归拟合的实现

    万次阅读 多人点赞 2018-07-21 17:08:02
    BP神经网络算法提供了一种普遍并且实用的方法从样例中学习值为实数、离散值或者向量的函数,这里就简单介绍一下如何用MATLAB编程实现该算法。 具体步骤   这里以一个普遍实用的简单案例为例子进行编程的说明...
  • Matlab关于人工神经网络在预测中的应用的论文一-基于MatlabBP神经网络煤炭需求预测模型.pdf 一、基于MatlabBP神经网络煤炭需求预测模型 摘要:煤炭是中国的基础能源,支撑着国民经济的商邃发展。在未来的一...
  • matlab 神经网络回归预测

    万次阅读 2016-05-27 15:28:39
    本文是用 matlab R2014 a 中的神经网络,做的预测小例子。步骤:1. 选择神经网络类型例如, feedforwardnet(hiddenSizes,trainFcn) 参数是层数、训练函数,这是一种前馈网络,用法: net = feedforwardnet(10); 特殊...
  • 为克服BP神经网络算法在故障诊断应用中的缺点,提出了粒子群优化BP神经网络的方法,并在此基础上优化BP神经网络的结构来提高准确率。最后,通过对变压器故障诊断在Matlab中的仿真结果,验证了此方法有较高的准确率和较快...
  • MATLAB BP神经网络的设计与优化前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结 前言 BP(Back Propagation)神经网络,利用误差的反向传播进行权值阈值更新的前馈型神经网络,常用于解决拟合或者分类问题 ...
  • 为了提高预测精度,提出一种布谷鸟搜索算法优化BP神经网络的网络流量预测模型(Cuckoo Search BP neural network Flow Prediction,CS-BPNN)。根据混沌理论建立网络流量学习样本,采用BP神经网络对学习样本进行训练,...
  • BP神经网络、ELM极限学习机、SVM支持向量机MATLAB代码,以及测试数据,用于回归预测,相关细节可以在下方评论,看到时一一解答。
  • 利用MATLAB 进行BP神经网络预测(含有神经网络工具箱) 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...
  • BP神经网络时间序列预测-附代码

    千次阅读 多人点赞 2021-04-27 18:12:09
    BP神经网络时间序列预测的MATLALB实现 文章目录BP神经网络时间序列预测的MATLALB实现1. BP神经网络预测算法简介1.1 受相关指标影响的BP神经网络算法原理1.2 基于历史值影响的BP神经网络2. MATLAB代码编写过程2.1 ...
  • 神经网络模型简述 实例:交通运输能力预测设计 MATLAB程序及仿真结果 由于货物运输、地方经济及企业发展的紧密联系,因此作为反映货物运输需求的一项重要指标, 货运量预测研究和分析具有较强的实际意义。 常用的...
  • 利用MATLAB 2016a进行BP神经网络预测(含有神经网络工具箱) 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...
  • matlab源码
  • BP神经网络人口预测程序(matlab实现)(转)

    万次阅读 多人点赞 2018-07-07 14:51:06
    己测试人口预测matlab实现:x=[54167 55196 56300 57482 58796 60266 61465 62828 64653 65994 67207 66207 65859 67295 69172 70499 72538 74542 76368 78534 ...
  • 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神经网络的非线性系统建模——非线性函数拟合 第3章 遗传算法优化BP神经网络——非线性函数拟合 第4章 神经网络遗传算法函数极值寻优——非线性函数极值寻...
  • 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,选取了常用的BP神经网络算法,其算法原理,因网上一大堆,所以...
  • 原子搜索算法ASO优化BP神经网络回归预测模型 文章目录原子搜索算法ASO优化BP神经网络回归预测模型1. 算法描述2. ASO优化BP神经网络预测的步骤与流程图3. 模型介绍4. ASO-BP预测结果与图像 1. 算法描述 原子搜索算法...
  • 1 BP神经网络预测算法简介 模型介绍见这里。 2 演示代码 clc;clear;close all; %% 初始化种群 N = 500; % 初始种群个数 d = 24; % 空间维数 ger = 300; % 最大迭代次数 % 设置位置参数限制(矩阵的形式...
  • 一、 BP神经网络预测算法简介 说明:1.1节主要是概括和帮助理解考虑影响因素的BP神经网络算法原理,即常规的BP模型训练原理讲解(可根据自身掌握的知识是否跳过)。1.2节开始讲基于历史值影响的BP神经网络预测模型。 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,407
精华内容 562
关键字:

matlabbp神经网络回归预测

matlab 订阅