用matlab做bp神经网络预测,matlab人工神经网络预测

如何得到神经网络预测结果 20

。

如果你用9——11年的数据不经过预测12——19年的数据就想得到第20年的数据的做法是不合理的，神经网络的预测讲求时间序列的连续性，你可以在编写maltab程序的时候才用递归的方法调用神经网络工具箱，加上对预测数据进行一定的格式操作就可以了，这样你想读到第几年的数据都行。

谷歌人工智能写作项目：神经网络伪原创

如何利用matlab进行神经网络预测

matlab带有神经网络工具箱，可直接调用，建议找本书看看，或者MATLAB论坛找例子好文案。

核心调用语句如下：%数据输入%选连样本输入输出数据归一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train);%%BP网络训练%%初始化网络结构net=newff(inputn,outputn,[88]);net.trainParam.epochs=100;=0.01;=0.01;%网络训练net=train(net,inputn,outputn);%%BP网络预测%预测数据归一化inputn_test=mapminmax('apply',input_test,inputps);%网络预测输出an=sim(net,inputn_test);%网络输出反归一化BPoutput=mapminmax('reverse',an,outputps);%%结果分析。

BP神经网络预测模型在matlab下编程如何显示出它的预测值

。

%画出预测输出结果和期望输出结果图figure;plot(output_fore,':og');holdon;plot(output2_lianghua','-*');legend('预测输出','期望输出');title('BP网络预测输出','fontsize',12);ylabel('函数输出','fontsize',12);xlabel('样本','fontsize',12);%画出预测结果误差图figureplot(error,'-*')title('BP网络预测误差','fontsize',12)ylabel('误差','fontsize',12)xlabel('样本','fontsize',12)。

请问MATLAB中神经网络预测结果应该怎么看？求大神解答

从图中NeuralNetwork可以看出，你的网络结构是两个隐含层，2-3-1-1结构的网络，算法是traindm，显示出来的误差变化为均方误差值mse。经过482次迭代循环完成训练，耗时5秒。

相同计算精度的话，训练次数越少，耗时越短，网络结构越优秀。

达到设定的网络精度0.001的时候，误差下降梯度为0.0046，远大于默认的1e-5，说明此时的网络误差仍在快速下降，所以可以把训练精度目标再提高一些，比如设为0.0001或者1e-5。

matlab神经网络工具箱训练出来的函数，怎么输出得到函数代码段

。

这样：clear;%输入数据矩阵p1=zeros(1,1000);p2=zeros(1,1000);%填充数据fori=1:1000p1(i)=rand;p2(i)=rand;end%输入层有两个，样本数为1000p=[p1;p2];%目标（输出）数据矩阵，待拟合的关系为简单的三角函数t=cos(pi*p1)+sin(pi*p2);%对训练集中的输入数据矩阵和目标数据矩阵进行归一化处理[pn,inputStr]=mapminmax(p);[tn,outputStr]=mapminmax(t);%建立BP神经网络net=newff(pn,tn,[200,10]);%每10轮回显示一次结果=10;%最大训练次数net.trainParam.epochs=5000;%网络的学习速率=0.05;%训练网络所要达到的目标误差=10^(-8);%网络误差如果连续6次迭代都没变化，则matlab会默认终止训练。

为了让程序继续运行，用以下命令取消这条设置net.divideFcn='';%开始训练网络net=train(net,pn,tn);%训练完网络后要求网络的权值w和阈值b%获取网络权值、阈值netiw=;netlw=;netb=net.b;w1={1,1};%输入层到隐层1的权值b1=net.b{1};%输入层到隐层1的阈值w2={2,1};%隐层1到隐层2的权值b2=net.b{2};%隐层1到隐层2的阈值w3={3,2};%隐层2到输出层的权值b3=net.b{3};%隐层2到输出层的阈值%在默认的训练函数下，拟合公式为，y=w3*tansig(w2*tansig(w1*in+b1)+b2)+b3;%用公式计算测试数据[x1;x2]的输出，输入要归一化，输出反归一化in=mapminmax('apply',[x1;x2],inputStr);y=w3*tansig(w2*tansig(w1*in+b1)+b2)+b3;y1=mapminmax('reverse',y,outputStr);%用bp神经网络验证计算结果out=sim(net,in);out1=mapminmax('reverse',out,outputStr);扩展资料：注意事项一、训练函数1、traingdName：Gradientdescentbackpropagation（梯度下降反向传播算法）Description：triangdisanetworktrainingfunctionthatupdatesweightandbiasvalues accordingtogradientdescent.      2、traingdaName：Gradientdescent  withadaptivelearningratebackpropagation(自适应学习率的t梯度下降反向传播算法)Description：triangdisanetworktrainingfunctionthatupdatesweightandbiasvalues accordingtogradientdescentwithadaptivelearningrate. itwillreturnatrainednet(net)and thetrianingrecord(tr).3、traingdx(newelm函数默认的训练函数)name:Gradientdescentwithmomentumandadaptivelearningratebackpropagation(带动量的梯度下降的自适应学习率的反向传播算法)Description：triangdxisanetworktrainingfunctionthatupdatesweightandbiasvalues accordingtogradientdescentmomentum andanadaptivelearningwillreturnatrainednet(net)and thetrianingrecord(tr). 4、trainlmName：Levenberg-Marquardt backpropagation （L-M反向传播算法）Description：triangdisanetworktrainingfunctionthatupdatesweightandbiasvalues accordingtoLevenberg-Marquardtoptimization. itwillreturnatrained net(net)and thetrianingrecord(tr).注：更多的训练算法请用matlab的help命令查看。

二、学习函数1、learngdName：Gradientdescentweightandbiaslearningfunction （梯度下降的权值和阈值学习函数）Description：learngdisthegradientdescent weightandbiaslearningfunction,itwill returnthe weightchangedW andanewlearningstate.2、learngdmName：Gradientdescent withmomentum weightandbiaslearningfunction （带动量的梯度下降的权值和阈值学习函数）Description：learngdisthegradientdescent  withmomentum weightandbiaslearningfunction,itwill returntheweightchangedWandanewlearningstate.注：更多的学习函数用matlab的help命令查看。

三、训练函数与学习函数的区别函数的输出是权值和阈值的增量，训练函数的输出是训练好的网络和训练记录，在训练过程中训练函数不断调用学习函数修正权值和阈值，通过检测设定的训练步数或性能函数计算出的误差小于设定误差，来结束训练。

或者这么说：训练函数是全局调整权值和阈值，考虑的是整体误差的最小。学习函数是局部调整权值和阈值，考虑的是单个神经元误差的最小。它的基本思想是学习过程由信号的正向传播与误差的反向传播两个过程组成。

正向传播时，输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望的输出(教师信号)不符,则转入误差的反向传播阶段。

反向传播时，将输出以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。

用Matlab编程BP神经网络进行预测

原理就是：建立网络-数据归一化-训练-预测-数据反归一化。附件是电力负荷预测的例子，可以参考。

BP（BackPropagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。

BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑结构包括输入层（input）、隐层(hiddenlayer)和输出层(outputlayer)。

求一个bp神经网络预测模型的MATLAB程序

BP神经网络预测的步骤:1、输入和输出数据。2、创建网络。fitnet（）3、划分训练，测试和验证数据的比例。

net.divideParam.trainRatio； net.divideParam.valRatio；net.divideParam.testRatio4、训练网络。

train（）5、根据图表判断拟合好坏。ploterrcorr（）；parcorr（）；plotresponse（）6、预测往后数据。net（）7、画出预测图。

plot（）执行下列命令BP_prediction得到结果：[2016,14749.呵呵6798210144042969][2017,15092.847215188667178153991699219][2018,15382.150005970150232315063476562][2019, 15398.85769711434841156005859375][2020,15491.935150090605020523071289062]。