神经网络预测结果分析,神经网络预测适用范围

采用什么手段使神经网络预测更加准确

优化神经网络结构。如BP神经网络改变隐层神经元数量、训练算法等；使用其他神经网络。如Elman神经网络考虑了前一时刻的输出，比较适合用于预测，预测效果往往更好。

RBF神经网络的训练速度很快，训练效果也很好。改进的神经网络算法。例如BP神经网络增加动量项、自适应学习率等措施，防止陷入局部极小影响预测效果。组合神经网络。

取长补短，将全局搜索能力强的算法与局部逼近快的算法组合起来，如遗传算法优化初始权值，再训练。这种方法比较灵活，可以和许多算法融合。全面考虑影响因素。

未来的预测值受许多因素影响，所以应该在基于历史数据的基础上，充分考虑各种因素，考虑得越周全，预知信息越多，预测效果一般更好。

谷歌人工智能写作项目：神经网络伪原创

如果是以预测为准，是BP神经网络好，还是径向量什么网络好？

利用RBF神经网络做预测

在命令栏敲nntool，按提示操作，将样本提交进去。还有比较简单的是用广义RBF网络，直接用grnn函数就能实现，基本形式是y=grnn(P,T,spread)，你可以用helpgrnn看具体用法。

GRNN的预测精度是不错的。广义RBF网络：从输入层到隐藏层相当于是把低维空间的数据映射到高维空间，输入层细胞个数为样本的维度，所以隐藏层细胞个数一定要比输入层细胞个数多。

从隐藏层到输出层是对高维空间的数据进行线性分类的过程，可以采用单层感知器常用的那些学习规则，参见神经网络基础和感知器。

注意广义RBF网络只要求隐藏层神经元个数大于输入层神经元个数，并没有要求等于输入样本个数，实际上它比样本数目要少得多。

因为在标准RBF网络中，当样本数目很大时，就需要很多基函数，权值矩阵就会很大，计算复杂且容易产生病态问题。

另外广RBF网与传统RBF网相比，还有以下不同：1.径向基函数的中心不再限制在输入数据点上，而由训练算法确定。2.各径向基函数的扩展常数不再统一，而由训练算法确定。

3.输出函数的线性变换中包含阈值参数，用于补偿基函数在样本集上的平均值与目标值之间的差别。

因此广义RBF网络的设计包括：1.结构设计--隐藏层含有几个节点合适2.参数设计--各基函数的数据中心及扩展常数、输出节点的权值。

关于构建一个三层BP神经网络对药品的销售进行预测（程序由matlab编写）

。

clearall;closeall;clc;%p=[205623952600229816341600183714781900239526002298163416001873147819001500260022981634160018731478190015002046];t=[187314781900150020461556];p=[205623952600229816341600];%--归一化输入输出--映射到[0,1]--%pmax=max(p);pmin=min(p);P=(p-pmin)./(pmax-pmin);tmax=max(t);tmin=min(t);T=(t-tmin)./(tmax-tmin);net=newff(P,T,5,{'tansig','purelin'},'traingdx');%--设置训练参数--%=50;=0.05;net.trainParam.epochs=1000;=1e-3;net.divideFcn='';[net,tr]=train(net,P,T);A=sim(net,P);a=A.*(tmax-tmin)+tmin;x=7:12;figureplot(x,t,'+');holdon;plot(x,a,'or');holdoff;xlabel('month');ylabel('**')legend('实际','预测')。

RBF神经网络预测 100

。

nnetinfo:首先要明确网络的输入,你在训练的时候,使用1-50作为输入,sample里的数据做输出.在用它来做预测时,却用sample里的数据做输入,这样就乱套了.若果只有一列数据,而这列数据又不是时间序列,那就没办法用前面的数据去预测后面的数据.因为它们之间没有关联.。

神经网络预测安全系数

首先建立一种较简单的神经网络预测安全系数模型，以验证该方法用于露天井工联合开采煤岩边坡分析时的可行性。

6.4.3.1露天井工联合开采边坡稳定性影响因素确定及其预处理诸多因素影响下的边坡，具有复杂的变形破坏机理和模式。不同类型边坡涉及到的稳定性影响因素也是不同的，不能一概而论。

但是对于某一区域或某一类型边坡而言，其涉及到的影响因素可以认为是类似的，可以认为它们的不稳定性活灾害强度和发展趋势是可类比的。

本节神经网络样本取自海州露天矿的现场实测和分析数据，具有较强的相似性和可比性。按工程地质研究方法，影响因素可分为内因和外因两大因素。

内因主要有边坡岩体的地层、材料特性、地质构造、井工开采的煤层分布等;外因有边坡形态的改造、地下采空区范围、人为活动等。

本节研究中的输入因素:内因取为容重、黏聚力、内摩擦角、采深采厚比、煤层倾角;外因取为边坡高、总边坡角、采空区面积。以极限平衡计算得到的边坡安全系数作为输出参数(参见6.2节分析)。

6.2节中的分析共选取了海州露天矿的12条剖面，选取W7、W3、E5、E7、E13、E19、E23、E25共8各剖面的计算实例作为学习样本，以W5、E1、E10、E174个剖面的计算实例作为预测样本，见表6-7。

表6-7神经网络样本原始数据将原始数据按式。进行归一化处理，使参数均转化为(0，1)的数据。6.4.3.2BP神经网络学习对样本数据进行归一化处理，得到神经网络的学习输入参数，见表6-8。

表6-8神经网络学习样本参数神经网络结构优化如下:本模型中，k=8，n=8，m=1。据式(6-17)，取，则要求n1＞4;据式(6-18)，;据式(6-19)，n1≥log2n=3。

可见，n1取值在4～13之间是适宜的，取不同隐层节点数进行网络训练，使系统总误差最小，可得n1=8时训练效果最理想。

样本训练误差E和循环次数t是程序运行时结束的两个结束标准，迭代中以程序结束标准为:E=0，t=10000。据网络结果优化确定:η=0.9，α=0.7，隐含层数c=1，隐层节点数n=8。

对神经网络进行训练，训练总误差E=9.913×10-4。6.4.3.3BP神经网络预测据学习好的神经网络，进行4个样本的神经网络预测。表6-9为预测样本输入参数。

表6-9预测样本输入参数将该表输入训练好的网络，得预测结果及误差见表6-10所示。表6-10神经网络预测结果与实测结果的对照注:δ表示预测值与实测值的相对误差，。

可见，安全系数的预测总平均误差均在20%以内，可以满足要求，从理论上说明了BP神经网络的可用性，可以预测输出目标。