精华内容
下载资源
问答
  • MATLAB BP神经网络预测算法

    千次阅读 2019-11-24 06:22:53
    BP神经网络预测算法预测序号15的跳高成绩。 下表是国内男子跳高运动员各项素质指标 P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2; 9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2 ...

    内容:BP神经网络是一种多层前馈网络,可以进行学习和存储输入输出映射关系,不需要建立数学方程式。

     

    BP神经网络预测算法预测序号15的跳高成绩。

    下表是国内男子跳高运动员各项素质指标

     

     

    P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2;
    9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2 9.5 9 9.5 9.7;
    3.45 3.75 3.5 3.65 3.5 3.4 3.55 3.5 3.55 3.5 3.4 3.1 3.6 3.45;
    2.15 2.2 2.2 2.2 2 2.15 2.14 2.1 2.1 2.1 2.15 2 2.1 2.15;
    140 120 140 150 80 130 130 100 130 140 115 80 90 130;
    2.8 3.4 3.5 2.8 1.5 3.2 3.5 1.8 3.5 2.5 2.8 2.2 2.7 4.6;
    11 10.9 11.4 10.8 11.3 11.5 11.8 11.3 11.8 11 11.9 13 11.1 10.85;
    50 70 50 80 50 60 65 40 65 50 50 50 70 70];
    %输入数据,行数代表输入层神经元个数
    T=[2.24 2.33 2.24 2.32 2.2 2.27 2.2 2.26 2.2 2.24 2.24 2.2 2.2 2.35];
    [p1,minp,maxp,t1,mint,maxt]=premnmx(P,T); net=newff(minmax(P),[8,6,1],{'tansig','tansig','purelin'},'trainlm');
    %创建网络,激励函数
    net.trainParam.epochs = 5000;          %设置训练次数
    net.trainParam.goal=0.0000001;         %设置收敛误差
    [net,tr]=train(net,p1,t1);             %训练网络
    a=[3.0;9.3;3.3;2.05;100;2.8;11.2;50];  %输入数据
    a=premnmx(a);                          %将输入数据归一化
    b=sim(net,a);                          %放入到网络输出数据
    c=postmnmx(b,mint,maxt);               %将得到的数据反归一化得到预测数据
    c
    
    c=2.200
    

    序号15的跳高成绩预测为2.200

    作者:QinL

    展开全文
  • 利用前14位运动员的运动成绩为训练样本,预测第15为运动员的跳高成绩。具体数据如下: 序号 跳高成绩() 30行进跑(s) 立定三级跳远() 助跑摸高() 助跑4—6步跳高() 负重深蹲杠铃() 杠铃半蹲系数 100(s) 抓举() ...

    利用前14位运动员的运动成绩为训练样本,预测第15为运动员的跳高成绩。具体数据如下:

    序号跳高成绩()30行进跑(s)立定三级跳远()助跑摸高()助跑4—6步跳高()负重深蹲杠铃()杠铃半蹲系数100(s)抓举()
    12.243.29.63.452.151402.811.050
    22.333.210.33.752.21203.410.970
    32.243.09.03.52.21403.511.450
    42.323.210.33.652.21502.810.880
    52.23.210.13.52801.511.350
    62.273.410.03.42.151303.211.560
    72.23.29.63.552.11303.511.865
    82.263.09.03.52.11001.811.340
    92.23.29.63.552.11303.511.865
    102.243.29.23.52.11402.511.050
    112.243.29.53.42.151152.811.950
    122.23.99.03.12.0802.213.050
    132.23.19.53.62.1902.711.170
    142.353.29.73.452.151304.610.8570
    153.09.33.32.051002.811.250

    程序代码如下:

    import numpy as np
    import scipy.special as sp
    class net:
        def __init__(self, sample_data, output_data, hidden_num1,error=0.001, rate=0.8):
            sample_num, input_num = np.shape(sample_data)
            self.sample_data = sample_data  ##每个选手的各项成绩作为一行
            self.output_data = output_data
            self.sample_num = sample_num
            self.input_num = input_num
            self.hidden_num1 = hidden_num1
            self.rate = rate
            self.error = error
    
            self.max_data = max(self.output_data)
            self.min_data = min(self.output_data)
            self.output_data = (self.output_data-self.min_data)/(self.max_data-self.min_data)
    
    
            ##初始化权重矩阵
            self.w1 = np.random.rand(hidden_num1, input_num) * 2 - 1
            self.w2 = np.random.rand(hidden_num2, hidden_num1) * 2 - 1
            self.w3 = np.random.rand(1, hidden_num2) * 2 - 1
    
            self.b1 = np.random.rand(hidden_num1, 1) * 2 - 1
            self.b2 = np.random.rand(hidden_num2, 1) * 2 - 1
            self.b3 = np.random.rand(1,1) * 2 - 1
    
            self.train()
    
        def train(self):
            for i in range(self.sample_num):
                input_data = self.sample_data[i]
                lable  = self.output_data[i]
                input_data = input_data.reshape(self.input_num,1)
                lable = lable.reshape(1,1)
    
                input_hidden1 = np.dot(self.w1, input_data)+self.b1
                output_hidden1 = sp.expit(input_hidden1)
                output_hidden1 = output_hidden1.reshape(hidden_num1,1)
                input_hidden2 = np.dot(self.w2, output_hidden1)+self.b2
                output_hidden2 = sp.expit(input_hidden2)
                output_hidden2 = output_hidden2.reshape(hidden_num2, 1)
                input_out = np.dot(self.w3, output_hidden2)+self.b3
                final = sp.expit(input_out)
    
                E3 = final * (1 - final) * (lable - final)
    
                while (abs(E3) >= self.error):
                    E2 = output_hidden2*(1-output_hidden2)*np.dot(self.w3.T,E3)
                    E1 = output_hidden1*(1-output_hidden1)*np.dot(self.w2.T,E2)
    
                    self.w1 += self.rate * E1 * input_data.T
                    self.w2 += self.rate * E2 * output_hidden1.T
                    self.w3 += self.rate * E3 * output_hidden2.T
    
                    self.b1 += self.rate * E1
                    self.b2 += self.rate * E2
                    self.b3 += self.rate * E3
    
                    input_hidden1 = np.dot(self.w1, input_data)+self.b1
                    output_hidden1 = sp.expit(input_hidden1)
                    output_hidden1 = output_hidden1.reshape(hidden_num1, 1)
                    input_hidden2 = np.dot(self.w2, output_hidden1)+self.b2
                    output_hidden2 = sp.expit(input_hidden2)
                    output_hidden2 = output_hidden2.reshape(hidden_num2, 1)
                    input_out = np.dot(self.w3, output_hidden2)+self.b3
                    final = sp.expit(input_out)
                    E3 = final * (1 - final) * (lable - final)
    
            print('finish train!')
    
    
        def privite(self, privite_data):
            privite_data = privite_data.reshape(self.input_num, 1)
            input_hidden1 = np.dot(self.w1, privite_data)+self.b1
            output_hidden1 = sp.expit(input_hidden1)
            output_hidden1 = output_hidden1.reshape(hidden_num1, 1)
            input_hidden2 = np.dot(self.w2, output_hidden1)+self.b2
            output_hidden2 = sp.expit(input_hidden2)
            output_hidden2 = output_hidden2.reshape(hidden_num2, 1)
            input_out = np.dot(self.w3, output_hidden2)+self.b3
            final = sp.expit(input_out)
            return (final*(self.max_data-self.min_data)+self.min_data)
    
    
    sample_data =np.array([[3.2, 9.6, 3.45,2.15, 140,  2.8,11, 50 ],
     [  3.2,10.3, 3.75,2.2  ,120,  3.4,10.9,70 ],
     [  3,  9,  3.5, 2.2  ,140,  3.5,11.4,50 ],
     [  3.2,10.3, 3.65,2.2 , 150,  2.8,10.8,80 ],
     [  3.2,10.1, 3.5, 2, 80,  1.5,11.3,50 ],
     [  3.4,10,  3.4, 2.15, 130,  3.2,11.5,60 ],
     [  3.2, 9.6, 3.55,2.1, 130,  3.5,11.8,65 ],
     [  3,  9,  3.5, 2.1,  100,  1.8,11.3,40 ],
     [  3.2, 9.6, 3.55,2.1 , 130,  3.5,11.8,65 ],
     [  3.2, 9.2, 3.5, 2.1 , 140,  2.5,11, 50 ],
     [  3.2, 9.5, 3.4, 2.15, 115,  2.8,11.9,50 ],
     [  3.9, 9,  3.1, 2, 80,  2.2,13, 50 ],
     [  3.1, 9.5, 3.6, 2.1,90,  2.7,11.1,70 ],
     [  3.2, 9.7, 3.45,2.15, 130,  4.6,10.85 , 70 ]])
    output_data = np.array([[2.24],[ 2.33],[2.24] , [2.32], [2.2], [2.27], [2.2], [2.26], [2.2], [2.24], [2.24], [2.2], [2.2], [2.35]])
    
    hidden_num1 = 2
    hidden_num2 = 1
    a = net(sample_data,output_data,hidden_num1,hidden_num2)
    privite_data = np.array([3.0,9.3,3.3,2.05,100,2.8,11.2,50])
    y = a.privite(privite_data)
    print("预测得到的跳高成绩为:",y[0][0])
    

    运行结果如下:
    在这里插入图片描述

    展开全文
  • 由已知的原始数据进行预测未来数据亲测有效,个人在做这方面的课题
  • 即(30m行进跑,立定三级跳远,助跑摸高,助跑4-6步跳高,负重深蹲杠铃,杠铃半蹲系数,100m,抓举),将对应的跳高成绩作为输出,通过对14位选手的数据训练建立模型,预测第15位选手的跳高成绩。 待预测样本a=[[3.0...

    (案例):我们将14组国内男子跳高运动员各项素质指标作为输入,即(30m行进跑,立定三级跳远,助跑摸高,助跑4-6步跳高,负重深蹲杠铃,杠铃半蹲系数,100m,抓举),将对应的跳高成绩作为输出,通过对14位选手的数据训练建立模型,预测第15位选手的跳高成绩。
    待预测样本a=[[3.0,9.3,3.3,2.05,100,2.8,11.2,50]]
    import tensorflow as tf
    import pandas as pd
    import numpy as np
    from sklearn.preprocessing import MinMaxScaler

    构造数据:14个样本,8个特征1个标签
    x=[[3.2,3.2,3,3.2,3.2,3.4,3.2,3,3.2,3.2,3.2,3.9,3.1,3.2],
    [9.6,10.3,9,10.3,10.1,10,9.6,9,9.6,9.2,9.5,9,9.5,9.7],
    [3.45,3.75,3.5,3.65,3.5,3.4,3.55,3.5,3.55,3.5,3.4,3.1,3.6,3.45],
    [2.15,2.2,2.2,2.2,2,2.15,2.14,2.1,2.1,2.1,2.15,2,2.1,2.15],
    [140,120,140,150,80,130,130,100,130,140,115,80,90,130],
    [2.8,3.4,3.5,2.8,1.5,3.2,3.5,1.8,3.5,2.5,2.8,2.2,2.7,4.6],
    [11,10.9,11.4,10.8,11.3,11.5,11.8,11.3,11.8,11,11.9,13,11.1,10.85],
    [50,70,50,80,50,60,65,40,65,50,50,50,70,70]]
    y=[[2.24],[2.33],[2.24],[2.32],[2.2],[2.27],[2.2],[2.26],[2.2],[2.24],[2.24],[2.2],
    [2.2],[2.35]]

    获取数据集
    x_t=np.array(x,dtype=‘float32’).T #[148]
    y_true=np.array(y,dtype=‘float32’) #[14
    1]

    将特征数据最值归一,范围在(0,1)之间
    mm=MinMaxScaler() #实例化
    std=mm.fit(x_t) #训练模型
    x_true=std.transform(x_t) #转化
    print(x_true)
    print(y_true)

    通过占位符,预定义输入X,输出Y
    即输入层8*1个神经元,输出层1个神经元

    X=tf.placeholder(tf.float32,[None,8])
    Y=tf.placeholder(tf.float32,[None,1])

    随机数列生成,创建隐含层的神经网络,隐含层4个神经元
    truncated_normal:选取位于正态分布方差在0.1附近的随机数据

    w1=tf.Variable(tf.truncated_normal([8,4],stddev=0.1))
    b1=tf.Variable(tf.zeros([4]))

    w2=tf.Variable(tf.zeros([4,1]))
    b2=tf.Variable(tf.zeros([1]))
    relu,为激活函数,增加非线性关系,隐藏层和输出层的计算
    L1=tf.nn.relu(tf.matmul(X,w1)+b1)
    y_pre=tf.matmul(L1,w2)+b2

    计算损失函数:均方误差
    loss=tf.reduce_mean(tf.cast(tf.square(Y-y_pre),tf.float32))

    梯度下降优化损失函数,学习率过大容易导致权重非常大,会出现nan值
    train_op=tf.train.GradientDescentOptimizer(0.01).minimize(loss)

    初始化变量
    init_op=tf.global_variables_initializer()

    创建一个saver,用来保存训练模型
    saver=tf.train.Saver()

    开启回话
    with tf.Session() as sess:
    sess.run(init_op)
    训练模型15次
    for i in range(1,300): #控制训练批次
    for j in range (len(y_true)):#控制每批次训练的样本数
    sess.run(train_op,feed_dict={X:[x_true[j,:]],Y:[y_true[j,:]]})#[[]]是为了匹配占位的类型
    输出每次训练的损失
    print(‘第%s批次第%s个样本训练的损失为:%s,真实值为:%s,预测值为:%s’% (i,j+1,
    sess.run(loss, feed_dict={X:[x_true[j,:]],Y:[y_true[j,:]]}),
    y_true[j,:],
    sess.run(y_pre,feed_dict={X:[x_true[j,:]],Y:[y_true[j,:]]})))

    保存模型:需要在会话里完成(注意缩进代码)
    saver.save(sess,’./BP_demo/BP_model’)
    加载模型,预测15号选手的跳高成绩
    saver.restore(sess,’./BP_demo/BP_model’)
    样本原始数据
    a = [[3.0,9.3,3.3,2.05,100,2.8,11.2,50]]
    获取测试样本
    x_test=np.array(a,dtype=‘float32’)
    将数据最值归一
    x_test=std.transform(x_test)
    print(‘15号选手的跳高成绩预测值为:’, sess.run(y_pre,feed_dict={X:x_test})

    结果:

    第299批次第11个样本训练的损失为:0.00016767633,真实值为:[2.24],预测值为:[[2.227051]]
    第299批次第12个样本训练的损失为:1.5376372e-06,真实值为:[2.2],预测值为:[[2.19876]]
    第299批次第13个样本训练的损失为:0.00062711653,真实值为:[2.2],预测值为:[[2.2250423]]
    第299批次第14个样本训练的损失为:0.008744326,真实值为:[2.35],预测值为:[[2.2564888]]
    15号选手的跳高成绩预测值为: [[2.1450984]]

    问题:
    只是简单实现数据预测,误差还是较大,有更好的优化方法,欢迎大家一起来分享哦!

    展开全文
  • 详细BP神经网络预测算法及实现过程实例

    万次阅读 多人点赞 2019-09-13 21:47:37
    根据表2,预测序号15的跳高成绩。 表2国内男子跳高运动员各项素质指标 序号 跳高成绩() 30行进跑(s) 立定三级跳远() 助跑摸高() 助跑4—6步跳高() ...

    1.具体应用实例。根据表2,预测序号15的跳高成绩。

    表2 国内男子跳高运动员各项素质指标

    序号

    跳高成绩()

    30行进跑(s)

    立定三级跳远()

    助跑摸高()

    助跑4—6步跳高()

    负重深蹲杠铃()

    杠铃半蹲系数

    100

    (s)

    抓举

    ()

         1

    2.24

    3.2

    9.6

    3.45

    2.15

    140

    2.8

    11.0

    50

    2

    2.33

    3.2

    10.3

    3.75

    2.2

    120

    3.4

    10.9

    70

    3

    2.24

    3.0

    9.0

    3.5

    2.2

    140

    3.5

    11.4

    50

    4

    2.32

    3.2

    10.3

    3.65

    2.2

    150

    2.8

    10.8

    80

    5

    2.2

    3.2

    10.1

    3.5

    2

    80

    1.5

    11.3

    50

    6

    2.27

    3.4

    10.0

    3.4

    2.15

    130

    3.2

    11.5

    60

    7

    2.2

    3.2

    9.6

    3.55

    2.1

    130

    3.5

    11.8

    65

    8

    2.26

    3.0

    9.0

    3.5

    2.1

    100

    1.8

    11.3

    40

    9

    2.2

    3.2

    9.6

    3.55

    2.1

    130

    3.5

    11.8

    65

    10

    2.24

    3.2

    9.2

    3.5

    2.1

    140

    2.5

    11.0

    50

    11

    2.24

    3.2

    9.5

    3.4

    2.15

    115

    2.8

    11.9

    50

    12

    2.2

    3.9

    9.0

    3.1

    2.0

    80

    2.2

    13.0

    50

    13

    2.2

    3.1

    9.5

    3.6

    2.1

    90

    2.7

    11.1

    70

    14

    2.35

    3.2

    9.7

    3.45

    2.15

    130

    4.6

    10.85

    70

    15

     

    3.0

    9.3

    3.3

    2.05

    100

    2.8

    11.2

    50

     

    4.4 (序号15)跳高成绩预测

    4.4.1 数据整理

    1)我们将前14组国内男子跳高运动员各项素质指标作为输入,即(30m行进跑,立定三级跳远,助跑摸高,助跑4-6步跳高,负重深蹲杠铃,杠铃半蹲系数,100m,抓举),将对应的跳高成绩作为输出。并用matlab自带的premnmx()函数将这些数据归一化处理。

    数据集:(注意:每一列是一组输入训练集,行数代表输入层神经元个数,列数输入训练集组数)

    P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2;

    9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2 9.5 9 9.5 9.7;

    3.45 3.75 3.5 3.65 3.5 3.4 3.55 3.5 3.55 3.5 3.4 3.1 3.6 3.45;

    2.15 2.2 2.2 2.2 2 2.15 2.14 2.1 2.1 2.1 2.15 2 2.1 2.15;

    140 120 140 150 80 130 130 100 130 140 115 80 90 130;

    2.8 3.4 3.5 2.8 1.5 3.2 3.5 1.8 3.5 2.5 2.8 2.2 2.7 4.6;

    11 10.9 11.4 10.8 11.3 11.5 11.8 11.3 11.8 11 11.9 13 11.1 10.85;

    50 70 50 80 50 60 65 40 65 50 50 50 70 70];

    T=[2.24 2.33 2.24 2.32 2.2 2.27 2.2 2.26 2.2 2.24 2.24 2.2 2.2 2.35];

    4.4.2 模型建立

    4.4.2.1 BP网络模型

        BP网络(Back-ProPagation Network)又称反向传播神经网络, 通过样本数据的训练,不断修正网络权值和阈值使误差函数沿负梯度方向下降,逼近期望输出。它是一种应用较为广泛的神经网络模型,多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。

     

    BP网络由输入层、隐层和输出层组成,隐层可以有一层或多层,图2是m×k×n的三层BP网络模型,网络选用S型传递函数, 通过反传误差函数 ( (Ti为期望输出、Oi为网络的计算输出),不断调节网络权值和阈值使误差函数E达到极小。

    BP网络具有高度非线性和较强的泛化能力,但也存在收敛速度慢、迭代步数多、易于陷入局部极小和全局搜索能力差等缺点。可以先用遗传算法对“BP网络”进行优化在解析空间找出较好的搜索空间,再用BP网络在较小的搜索空间内搜索最优解。

    4.4.2.2 模型求解 

    4.4.2.2.1 网络结构设计

    1) 输入输出层的设计

    该模型由每组数据的各项素质指标作为输入,以跳高成绩作为输出,所以输入层的节点数为8,输出层的节点数为1。

    2) 隐层设计

    有关研究表明, 有一个隐层的神经网络, 只要隐节点足够多, 就可以以任意精度逼近一个非线性函数。因此, 本文采用含有一个隐层的三层多输入单输出的BP网络建立预测模型。在网络设计过程中, 隐层神经元数的确定十分重要。隐层神经元个数过多, 会加大网络计算量并容易产生过度拟合问题; 神经元个数过少, 则会影响网络性能, 达不到预期效果。网络中隐层神经元的数目与实际问题的复杂程度、输入和输出层的神经元数以及对期望误差的设定有着直接的联系。目前, 对于隐层中神经元数目的确定并没有明确的公式, 只有一些经验公式, 神经元个数的最终确定还是需要根据经验和多次实验来确定。本文在选取隐层神经元个数的问题上参照了以下的经验公式:

    其中, n为输入层神经元个数, m 为输出层神经元个数, a 为[ 1, 10]之间的常数。 

    根据上式可以计算出神经元个数为4-13个之间,在本次实验中选择隐层神经元个数为6.

    网络结构示意图如下:

     

    4.4.2.2.2 激励函数的选取

    BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本文选择S型正切函数tansig作为隐层神经元的激励函数。而由于网络的输出归一到[ -1, 1]范围内, 因此预测模型选取S 型对数函数tansig作为输出层神经元的激励函数。

    4.4.2.2.3 模型的实现

    此次预测选用MATLAB中的神经网络工具箱进行网络的训练, 预测模型的具体实现步骤如下:

    将训练样本数据归一化后输入网络, 设定网络隐层和输出层激励函数分别为tansig和logsig函数, 网络训练函数为traingdx, 网络性能函数为mse,隐层神经元数初设为6。设定网络参数。网络迭代次数epochs为5000次, 期望误差goal为0.00000001, 学习速率lr为0. 01。设定完参数后, 开始训练网络。

    该网络通过24次重复学习达到期望误差后则完成学习。详细代码见附录。

    网络训练完成后,只需要将各项素质指标输入网络即可得到预测数据。

    预测结果为:2.20

     

    matlab代码:

    P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2;
    9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2 9.5 9 9.5 9.7;
    3.45 3.75 3.5 3.65 3.5 3.4 3.55 3.5 3.55 3.5 3.4 3.1 3.6 3.45;
    2.15 2.2 2.2 2.2 2 2.15 2.14 2.1 2.1 2.1 2.15 2 2.1 2.15;
    140 120 140 150 80 130 130 100 130 140 115 80 90 130;
    2.8 3.4 3.5 2.8 1.5 3.2 3.5 1.8 3.5 2.5 2.8 2.2 2.7 4.6;
    11 10.9 11.4 10.8 11.3 11.5 11.8 11.3 11.8 11 11.9 13 11.1 10.85;
    50 70 50 80 50 60 65 40 65 50 50 50 70 70];
    T=[2.24 2.33 2.24 2.32 2.2 2.27 2.2 2.26 2.2 2.24 2.24 2.2 2.2 2.35];
    [p1,minp,maxp,t1,mint,maxt]=premnmx(P,T);
    %创建网络
    net=newff(minmax(P),[8,6,1],{'tansig','tansig','purelin'},'trainlm');
    %设置训练次数
    net.trainParam.epochs = 5000;
    %设置收敛误差
    net.trainParam.goal=0.0000001;
    %训练网络
    [net,tr]=train(net,p1,t1);
    TRAINLM, Epoch 0/5000, MSE 0.533351/1e-007, Gradient 18.9079/1e-010
    TRAINLM, Epoch 24/5000, MSE 8.81926e-008/1e-007, Gradient 0.0022922/1e-010
    TRAINLM, Performance goal met.
     
    %输入数据
    a=[3.0;9.3;3.3;2.05;100;2.8;11.2;50];
    %将输入数据归一化
    a=premnmx(a);
    %放入到网络输出数据
    b=sim(net,a);
    将得到的数据反归一化得到预测数据
    c=postmnmx(b,mint,maxt);
    c
     
    c =
     
        2.2003

    扫描下方“二维码”回复“书籍”,获取30本数据分析、python、Matlab、数据库、统计学”等经典书籍。

    转自:https://www.cnblogs.com/sallybin/p/3169572.html

    展开全文
  • 该文件主要包含了两个利用Matlab做的BP算法,主要用来实现预测,该文件中包含两个网络,一个是普通BP神经网络,一个为双隐含层BP神经网络
  • 哈哈哈这回期末当头一棒,一门没考好门门考不好,考前突击固然重要,但要是平时基础不扎实,考前心态又崩到拒绝复习,最终成绩又是如何?? 这就拿以前没踏实复习的概率论验证...BP网络(Back-ProPagation Network)又
  • 对于初学bp神经网络进行预测来说很有用,里面有模型建立的过程以及预测图形
  • BP神经网络预测模型

    万次阅读 2020-09-08 15:32:07
    根据表2,预测序号15的跳高成绩。 表2国内男子跳高运动员各项素质指标 序号 跳高成绩() 30行进跑(s) 立定三级跳远() 助跑摸高() 助跑4—6步跳高() ...
  • 根据表2,预测序号15的跳高成绩。 表2 国内男子跳高运动员各项素质指标 序号 跳高成绩() 30行进跑(s) 立定三级跳远() 助跑摸高() 助跑4—6步跳高() 负重深蹲杠铃() 杠铃半蹲系数 100 (s) ...
  • 根据表2,预测序号15的跳高成绩。 表2 国内男子跳高运动员各项素质指标 序号 跳高成绩() 30行进跑(s) 立定三级跳远() 助跑摸高() 助跑4—6步跳高() ...
  • BP(back propagation)神经网络是...在一般的BP神经网络中,单个样本有m个输入和n个输出,在输入层和输出层之间还有若干个隐藏层h,实际上 1989年时就已经有人证明了一个万能逼近定理 : 在任何闭区间的连续函数...
  • #前言 ...神经网络其实又名人工神经网络,他是受到人类大脑的信息处理机制的启发二发展出来的。在人类大脑中处理信息的基本单位叫做神经元,人工神经网络的处理信息的基本单位也叫做“神经元”,不过
  • 根据表2,预测序号15的跳高成绩。表2 国内男子跳高运动员各项素质指标序号跳高成绩()30行进跑(s)立定三级跳远()助跑摸高()助跑4—6步跳高()负重深蹲杠铃()杠铃半蹲系数100(s)抓举() 12.243.29.63.452.151402.811....
  • 秒懂神经网络---BP神经网络具体应用不能说的秘密 一、总结 一句话总结: 还是要上课和自己找书找博客学习相结合,这样学习效果才好,不能单视频,也不能单书 BP神经网络就是反向传播神经网络 1、BP神经网络是...

空空如也

空空如也

1 2 3
收藏数 46
精华内容 18
关键字:

bp神经网络预测跳高