神经网络预测指标是什么,神经网络怎么预测数据

1、matlab中用RBF神经网络做预测的代码怎么写

clc;

clearall;

closeall;

%%----BuildatrainingsetofasimilarversionofXOR

c_1=[00];

c_2=[11];

c_3=[01];

c_4=[10];

n_L1=20;%numberoflabel1

n_L2=20;%numberoflabel2

A=zeros(n_L1*2,3);

A(:,3)=1;

B=zeros(n_L2*2,3);

B(:,3)=0;

%createrandompoints

fori=1:n_L1

A(i,1:2)=c_1+rand(1,2)/2;

A(i+n_L1,1:2)=c_2+rand(1,2)/2;

end

fori=1:n_L2

B(i,1:2)=c_3+rand(1,2)/2;

B(i+n_L2,1:2)=c_4+rand(1,2)/2;

end

%showpoints

scatter(A(:,1),A(:,2),[],'r');

holdon

scatter(B(:,1),B(:,2),[],'g');

X=[A;B];

data=X(:,1:2);

label=X(:,3);

%%Usingkmeanstofindcintervector

n_center_vec=10;

rng(1);

[idx,C]=kmeans(data,n_center_vec);

holdon

scatter(C(:,1),C(:,2),'b','LineWidth',2);

%%Calulatesigma

n_data=size(X,1);

%calculateK

K=zeros(n_center_vec,1);

fori=1:n_center_vec

K(i)=numel(find(idx==i));

end

%UsingknnsearchtofindKnearestneighborpointsforeachcentervector

%thencalucatesigma

sigma=zeros(n_center_vec,1);

fori=1:n_center_vec

[n,d]=knnsearch(data,C(i,:),'k',K(i));

L2=(bsxfun(@minus,data(n,:),C(i,:)).^2);

L2=sum(L2(:));

sigma(i)=sqrt(1/K(i)*L2);

end

%%Calutateweights

%kernelmatrix

k_mat=zeros(n_data,n_center_vec);

fori=1:n_center_vec

r=bsxfun(@minus,data,C(i,:)).^2;

r=sum(r,2);

k_mat(:,i)=exp((-r.^2)/(2*sigma(i)^2));

end

W=pinv(k_mat'*k_mat)*k_mat'*label;

y=k_mat*W;

%y(y>=0.5)=1;

%y(y<0.5)=0;

%%trainingfunctionandpredictfunction

[W1,sigma1,C1]=RBF_training(data,label,10);

y1=RBF_predict(data,W,sigma,C1);

[W2,sigma2,C2]=lazyRBF_training(data,label,2);

y2=RBF_predict(data,W2,sigma2,C2);

扩展资料

matlab的特点

1、具有完备的图形处理功能，实现计算结果和编程的可视化；

2、友好的用户界面及接近数学表达式的自然化语言，使学者易于学习和掌握；

3、功能丰富的应用工具箱(如信号处理工具箱、通信工具箱等) ，为用户提供了大量方便实用的处理工具。

参考资料来源：

谷歌人工智能写作项目：小发猫

2、如何用人工神经网络确定指标体系的权重？

说的确定应该就是训练方法吧，神经网络的权值不是人工给定的神经网络预测指标。而是用训练集（包括输入和输出）训练，用训练集训练一遍称为一个epoch，一般要许多epoch才行，目的是使得目标与训练结果的误差(一般采用均方误差）小到一个给定的阈值。以上所说是有监督的学习方法，还有无监督的学习方法。

3、想用神经网络做评价模型，请问在matlab中输入数据是什么？Target数据是什么？

输入数据是因子，是变量，是x，target是结果，是对应x下的y值。评价模型首先你肯定有评价的指标，这个就是y。其余对这个指标有影响的因素就是x。
你的例子里输入就是90*20的矩阵，target就是90*1的矩阵。模型训练好以后，用剩下的10家去检验模型。
神经网络基本原理就是得到一个自变量x的方程，使得通过方程计算的结果与实际的y之间的差值最小，从而说明模型的正确性，用于后续的评价和预测等。

4、神经网络 nntool input和target是什么样的数据

输入数据是因子，是变量，是x，target是结果，是对应x下的y值。评价模型首先你肯定有评价的指标，这个就是y。其余对这个指标有影响的因素就是x。
你的例子里输入就是90*20的矩阵，target就是90*1的矩阵。模型训练好以后，用剩下的10家去检验模型。
神经网络基本原理就是得到一个自变量x的方程，使得通过方程计算的结果与实际的y之间的差值最小，从而说明模型的正确性，用于后续的评价和预测等。

5、导高预测指标的权重确定及结果分析

BP网络对网络输入层、隐层、输出层之间节点的连接权重进行训练,最后获得满足误差要求的网络权重值,对这些连接权重值加以计算,可以得到导水裂隙带预测模型中各指标的权值,如表6.5。计算公式如式6-13：

煤层开采顶板导水裂隙带高度预测理论与方法

式中：Wi为第i指标权重,i=1～8；Wij为输入层i节点与中间层j节点间的连接权重, j=1～15；q为中间层节点数,q=15；Vj为中间层第j节点与输出层节点间的连接权重。

表6.5 网络计算的各因素权重分布

权重的计算结果表明：①采厚、顶板岩石抗压强度、顶板岩层结构是影响导高的重要因素,与传统经验及理论分析的认识一致；②煤层的硬度、采深、倾角(样本限于缓倾斜煤层)对导高的影响较小,为次要因素；③煤层的厚度对导高具有一定的影响。这是由于选取的样本中多数煤层厚度等于采厚而引起；④工作面倾斜长度对导水裂隙带发育高度具有较大影响,其权重值位居第二。经验认为：采空区的尺寸在覆岩不充分采动的条件下起作用,当采空区面积达到覆岩充分采动条件时,基本上不起作用了。网络计算结果表明,在煤矿生产中,工作面倾斜长度对导水裂隙带高度的影响是较多存在的。伴随开采深度日趋增加,非充分或单向非充分采动越来越多见(一般情况,采空区宽度与开采深度比小于1.2～1.4),工作面尺寸对冒落带、裂隙带发育的影响更加值得重视。

网络对权重计算结果与经验认识相符,更进一步证实网络的有效性与可靠性。

在矿井水害防治工作中,经验认识与理论分析定性的掌握了各影响因素对导水裂隙带高度的影响作用,具有多因素、复杂、难定量及非线性等特点。近年来,随着钻孔观测技术、岩移观测技术及物探技术的发展,我国各煤矿在顶板导水裂隙带观测方面积累了大批数据资料。全面系统地分析这些数据,提取合理的指标,并采用统一的标准进行定量化,建立前馈人工神经网络预测模型,发挥BP神经网络具有非线性映射、泛化、容错功能,在成功预测导水裂隙带高度方面具有美好前景。本章中成功建立了预测网络说明了这一点。此外,网络训练前,对输出样本的标准化有效提高了网络的收敛速度。

6、预测方法对比分析

本章对温州浅滩灵霓海堤N5+850断面CJPB-3沉降盘监测数据的拟合/预测一共运用了3类沉降预测方法中的5种，将各类预测曲线和实测沉降曲线并行绘于图5.20中，为了使各拟合/预测曲线变化趋势更明显，作图时去掉了恒载期以前的部分实测曲线。对应的残差图如图5.21所示。

图5.20 N5+850断面各拟合/预测曲线与实测曲线对比汇总图

将各种预测方法的预测结果进行对比，如表5.1 4所示。

由图5.20、5.21和表5.14可以看出，5种沉降预测方法按预测精度由高到低的排列为：改进的BP人工神经网络模型＞Pearl 曲线模型＞灰色 Verhulst 模型＞指数曲线法＞双曲线法，其中前3 种方法的预测精度相近。5种预测方法中只有改进的 BP人工神经网络模型的预测值略小于实测沉降量，其余4 种方法的预测结果均大于实测沉降量。从误差分析、曲线收敛速率分析来看，改进的BP人工神经网络模型、双曲线法和指数曲线法较适用于短、中期预测，而 Pearl 曲线模型和灰色 Verhulst 模型则适用于短、中、长期预测，且Pearl曲线模型和灰色Verhulst模型的预测效果也相近，这与这两种预测方法均是基于S形曲线函数发展而来的有关。这正好证明了温州浅滩淤泥软土地基沉降随时间的发展趋势是呈“S”型变化的。

图5.21 N5+850断面各拟合/预测法残差对比汇总图

表5.14 各种预测方法的预测结果对比

7、如何训练神经网络

1、先别着急写代码
训练神经网络前，别管代码，先从预处理数据集开始。我们先花几个小时的时间，了解数据的分布并找出其中的规律。
Andrej有一次在整理数据时发现了重复的样本，还有一次发现了图像和标签中的错误。所以先看一眼数据能避免我们走很多弯路。
由于神经网络实际上是数据集的压缩版本，因此您将能够查看网络（错误）预测并了解它们的来源。如果你的网络给你的预测看起来与你在数据中看到的内容不一致，那么就会有所收获。
一旦从数据中发现规律，可以编写一些代码对他们进行搜索、过滤、排序。把数据可视化能帮助我们发现异常值，而异常值总能揭示数据的质量或预处理中的一些错误。
2、设置端到端的训练评估框架
处理完数据集，接下来就能开始训练模型了吗？并不能！下一步是建立一个完整的训练+评估框架。
在这个阶段，我们选择一个简单又不至于搞砸的模型，比如线性分类器、CNN，可视化损失。获得准确度等衡量模型的标准，用模型进行预测。
这个阶段的技巧有：
· 固定随机种子
使用固定的随机种子，来保证运行代码两次都获得相同的结果，消除差异因素。
· 简单化
在此阶段不要有任何幻想，不要扩增数据。扩增数据后面会用到，但是在这里不要使用，现在引入只会导致错误。
· 在评估中添加有效数字
在绘制测试集损失时，对整个测试集进行评估，不要只绘制批次测试损失图像，然后用Tensorboard对它们进行平滑处理。
· 在初始阶段验证损失函数
验证函数是否从正确的损失值开始。例如，如果正确初始化最后一层，则应在softmax初始化时测量-log(1/n_classes)。
· 初始化
正确初始化最后一层的权重。如果回归一些平均值为50的值，则将最终偏差初始化为50。如果有一个比例为1:10的不平衡数据集，请设置对数的偏差，使网络预测概率在初始化时为0.1。正确设置这些可以加速模型的收敛。
· 人类基线
监控除人为可解释和可检查的损失之外的指标。尽可能评估人的准确性并与之进行比较。或者对测试数据进行两次注释，并且对于每个示例，将一个注释视为预测，将第二个注释视为事实。
· 设置一个独立于输入的基线
最简单的方法是将所有输入设置为零，看看模型是否学会从输入中提取任何信息。
· 过拟合一个batch
增加了模型的容量并验证我们可以达到的最低损失。
· 验证减少训练损失
尝试稍微增加数据容量。

8、BP人工神经网络

人工神经网络（artificialneuralnetwork，ANN）指由大量与自然神经系统相类似的神经元联结而成的网络，是用工程技术手段模拟生物网络结构特征和功能特征的一类人工系统。神经网络不但具有处理数值数据的一般计算能力，而且还具有处理知识的思维、学习、记忆能力，它采用类似于“黑箱”的方法，通过学习和记忆，找出输入、输出变量之间的非线性关系（映射），在执行问题和求解时，将所获取的数据输入到已经训练好的网络，依据网络学到的知识进行网络推理，得出合理的答案与结果。

岩土工程中的许多问题是非线性问题，变量之间的关系十分复杂，很难用确切的数学、力学模型来描述。工程现场实测数据的代表性与测点的位置、范围和手段有关，有时很难满足传统统计方法所要求的统计条件和规律，加之岩土工程信息的复杂性和不确定性，因而运用神经网络方法实现岩土工程问题的求解是合适的。

BP神经网络模型是误差反向传播（BackPagation）网络模型的简称。它由输入层、隐含层和输出层组成。网络的学习过程就是对网络各层节点间连接权逐步修改的过程，这一过程由两部分组成：正向传播和反向传播。正向传播是输入模式从输入层经隐含层处理传向输出层；反向传播是均方误差信息从输出层向输入层传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小。

BP神经网络模型在建立及应用过程中，主要存在的不足和建议有以下四个方面：

（1）对于神经网络，数据愈多，网络的训练效果愈佳，也更能反映实际。但在实际操作中，由于条件的限制很难选取大量的样本值进行训练，样本数量偏少。

（2）BP网络模型其计算速度较慢、无法表达预测量与其相关参数之间亲疏关系。

（3）以定量数据为基础建立模型，若能收集到充分资料，以定性指标（如基坑降水方式、基坑支护模式、施工工况等）和一些易获取的定量指标作为输入层，以评价等级作为输出层，这样建立的BP网络模型将更准确全面。

（4）BP人工神经网络系统具有非线性、智能的特点。较好地考虑了定性描述和定量计算、精确逻辑分析和非确定性推理等方面，但由于样本不同，影响要素的权重不同，以及在根据先验知识和前人的经验总结对定性参数进行量化处理，必然会影响评价的客观性和准确性。因此，在实际评价中只有根据不同的基坑施工工况、不同的周边环境条件，应不同用户的需求，选择不同的分析指标，才能满足复杂工况条件下地质环境评价的要求，取得较好的应用效果。

9、network indicator是什么意思

network indicator
网络指示语；网络指示器；网络指示符
例句
1.Four parts work was mainly completed as follows: (1) Urban traffic network state evaluation indicator system was studied.
本文主要完成了如下四部分的工作：（1）城市道路交通状态评价指标体系研究。
2.Fault Indicator Based Automatic Fault Location System of Distribution Network
基于故障指示器的配电网故障自动定位系统
3.This setting displays a visual indicator on the iPhone UI that there is network activity in progress.
如此设置就可以在iPhoneUI上显示一个可见的指示器，表示有网络活动正在进行。
4.This can obviously be annoying, but at the same time it is a good indicator that you may have an infected computer on the network.
这个很麻烦，但是同时它也是一个好方法当你的局域网中已有机器被感染时。
5.Finally, verify the prediction accuracy of BP neural network model and the validity of the new indicator system through examples.
最后通过实例分析，验证了BP神经网络模型的预测精度和改进后的评估指标体系的正确性。