BP神经网络需要训练的参数,bp神经网络训练时间

bp神经网络如何用于预测

谷歌人工智能写作项目：神经网络伪原创

BP神经网络完成预测 5

好文案。

下面是几个仿真实验，用了不同的训练函数：1.创建BP网络的学习函数，训练函数和性能函数都采用default值，分别为learngdm,trainlm和mse时的逼近结果：由此可见，进过200次训练后，虽然网络的性能还没有为0，但是输出均方误差已经很小了，MSE=6.72804e-0.06,显示的结果也证明P和T之间非线性映射关系的拟合是非常精确的；2.建立一个学习函数为learnd，训练函数为traingd,和性能函数为msereg的BP网络，来完成拟合任务:可见，经过200次训练后，网络的输出误差比较大，而且网络误差的收敛速度非常慢。

这是由于训练函数traingd为单纯的梯度下降训练函数，训练速度比较慢，而且容易陷入局部最小的情况。结果显示网络精度确实比较差。

3.将训练函数修改为traingdx，该i函数也是梯度下降法训练函数，但是在训练过程中，他的学习速率是可变的在200次训练后，以msereg函数评价的网络性能为1.04725，已经不是很大,结果显示P和T之间非线性关系的拟合情况不错，网络的性能不错。

怎么用已经训练好的BP神经网络进行预测下一个值？

BP神经网络如何把训练后的权值输入至MATLAB 建立网络完成预测？

。

这个就只能自己编M文件实现了，给个例子你看看%script：main_batch.m%批量方式训练BP网络，实现性别识别%%清理clearallclc%%读入数据%xlsfile='';[data,label]=getdata();%%划分数据[traind,trainl,testd,testl]=divide(data,label);%%设置参数rng('default')rng(0)nTrainNum=60;%60个训练样本nSampDim=2;%样本是2维的%%构造网络=2;%输入层2个神经元，分别输入身高、体重net.nHidden=3;%3个隐含层节点=1;%1个输出层节点w=2*(rand(net.nHidden,)-1/2);%nHidden*3一行代表一个隐含层节点b=2*(rand(net.nHidden,1)-1/2);net.w1=[w,b];W=2*(rand(,net.nHidden)-1/2);B=2*(rand(,1)-1/2);net.w2=[W,B];%%训练数据归一化mm=mean(traind);%均值平移fori=1:2traind_s(:,i)=traind(:,i)-mm(i);end%方差标准化ml(1)=std(traind_s(:,1));ml(2)=std(traind_s(:,2));fori=1:2traind_s(:,i)=traind_s(:,i)/ml(i);end%%训练SampInEx=[traind_s';ones(1,nTrainNum)];expectedOut=trainl;eb=0.01;%误差容限eta=0.6;%学习率mc=0.8;%动量因子maxiter=2000;%最大迭代次数iteration=0;%第一代errRec=zeros(1,maxiter);outRec=zeros(nTrainNum,maxiter);NET=[];%记录%开始迭代fori=1:maxiterhid_input=net.w1*SampInEx;%隐含层的输入hid_out=logsig(hid_input);%隐含层的输出ou_input1=[hid_out;ones(1,nTrainNum)];%输出层的输入ou_input2=net.w2*ou_input1;out_out=logsig(ou_input2);%输出层的输出outRec(:,i)=out_out';%记录每次迭代的输出err=expectedOut-out_out;%误差sse=sumsqr(err);errRec(i)=sse;%保存误差值fprintf('第%d次迭代误差:%f\n',i,sse);iteration=iteration+1;%判断是否收敛ifsse。

如何建立bp神经网络预测模型

。

建立BP神经网络预测模型，可按下列步骤进行：1、提供原始数据2、训练数据预测数据提取及归一化3、BP网络训练4、BP网络预测5、结果分析现用一个实际的例子，来预测2015年和2016年某地区的人口数。

已知2009年——2014年某地区人口数分别为3583、4150、5062、4628、5270、5340万人执行BP_main程序，得到[2015, 5128.呵呵3946380615234375][2016,5100.5797325642779469490051269531]代码及图形如下。

(vc/c++)bp神经网络训练好后,如何用新数据进行测试?

。

BP网的工作原理是我们拿一批训练数据（输入样本和期望输出）训练出一个学习到这些样本特征的神经网络，你可以理解为是具有那些权值的神经网络，然后我们拿新的样本过来，若你需要的是去检测这个神经网络，那么要给的新样本必须没包含在训练样本中，而且也必须有输入和期望输出。

已经学习好的神经网络（即已经训练好的网络）你给它新的输入，它运行之后给你的输出，就是你的预测。

如何利用训练好的神经网络进行预测

如何用BP神经网络实现预测

首先要知道你建立的这个模型的内部逻辑关系。。1，确定隐层数，画出简要模型图。2，确定采用什么样的神经网络来建立模型3.通过测试数据来训练模型。。

4.根据测试训练得到的数据和实际数据进行比对，或者算出误差。从而修改隐层中的权值和阀值。反复重复3-4.。最后得到一个最优的模型。大致是这样。。。楼主说的太概略。。。无法回答清楚请抱歉。