神经网络预测结果都一样,神经网络预测结果分析
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。
谷歌人工智能写作项目：神经网络伪原创
BP神经网络与 Modflow的预测结果对比
根据训练好的BP神经网络模型，对区内6个点2005～2015年的年沉降量进行预测(图8.36)好文案。从图8.36中可以看出，随着开采量的减小，水位的上升，各点的年沉降量逐渐减小，变化趋势也基本一致。
预测到2015年，各点的年沉降量比2004年减小了21.8～56.8mm;年沉降量最大的点是位于芦台镇附近的CJ6，沉降量为21.6mm;年沉降量最小的点是位于研究区西侧的CJ2，沉降量只有6.6mm。
图8.36 各监测点年沉降量预测图以2004年各个监测点的实测累积沉降量为起点，将神经网络预测的年沉降量进行累加，从而与Modflow数值模型的预测结果相对比(图8.37)。
从图8.37中可以看出这两种方法在各监测点处的预测结果基本一致。在局部点处(CJ2)相差较大，这主要是由于该点临近区域交界处，地面沉降过程受到邻区地下水开采的影响，使得BP网络模型的预测效果出现偏差。
BP网络与 Modflow数值模型预测结果的相对误差见表8.18。从表8.18中可以看出，各点的年均相对误差在0.75%～6.86%之间，平均为2.9%。
说明本次建立的BP神经网络模型基本可以达到Modflow数值模型的预测效果。表8.18 BP网络预测相对误差表续表图8.37 各监测点累积沉降量预测对比图。
为什么我的BP神经网络的预测输出结果几乎是一样的呢
bp神经网络是有一定缺陷的，比如容易陷入局部极小值，还有训练的结果依赖初始随机权值，这就好比你下一个山坡，如果最开始的方向走错了，那么你可能永远也到不了正确的山脚。
可以说bp神经网络很难得到正确答案，也没有唯一解，有些时候只能是更多次地尝试、修改参数，这个更多依赖自己的经验，通俗点说就是“你觉得行了，那就是行了”，而不像1+1=2那样确切。
如果有耐心，确定方法没问题，那么接下来需要做的就是不停地尝试、训练，得到你想要的结果。另外，我不知道你预测的是什么，是时间序列么？比如证券？
这种预测，比较重要的就是输入参数是否合适，这个直接决定了结果精度。
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。
为什么我的BP神经网络的预测输出结果几乎是一样的呢
最大的可能性是没有归一化。具体原因见下：下面这个是经典的Sigmoid函数的曲线图：如果不进行归一化，则过大的输入x将会导致Sigmoid函数进入平坦区，全部趋近于1，即最后隐层的输出全部趋同。
输出层是个purelin，线性组合后的输出层输出当然也全是几乎相同的了。
使用matlab进行归一化通常使用mapminmax函数，它的用法：[Y,PS] = mapminmax(X,YMIN,YMAX)——将数据X归一化到区间[YMIN,YMAX]内，YMIN和YMAX为调用mapminmax函数时设置的参数，如果不设置这两个参数，这默认归一化到区间[-1, 1]内。
标准化处理后的数据为Y，PS为记录标准化映射的结构体。我们一般归一化到（0,1）区间内。
BP神经网络预测，预测结果与样本数据的理解。
输入节点数是3，说明输入向量的行数m=3，你给的样本只有1行，是不是不全？输出节点只有一个，说明每3个输入数据对应一个预测的输出数据。其实样本数量很少，就不需要训练那么多次了，训练了也白训练。
你问“这样的预测结果代表着什么？”，你也没说这些数据在现实中是什么，怎么会知道呢。
BP神经网络做数据预测，预测出来结果感觉不对，求大神指导
我用神经网络做预测，可是每次运行的结果都不同，请问是什么原因？
神经网络预测模型输出预测结果为什么总在0-1之间
模型归一化，预测肯定也要反归一化。输出再反归一化就好了。比如，一组训练的数据，有最大值max，最小值min，假设区间长度cd=max-min。
归一化就是（x-min）/cd，反归一化就是x*cd+min。