『壹』 誰有用於數據預測的用遺傳演算法改進的BP神經網路程序
給你來一段
%主程序
%數據歸一化預處理
nntwarn off
[pn,minp,maxp]=premnmx(p);
pp=(pn+1)/2;
[tn,mint,maxt]=premnmx(t);
%建立BP網路
net=newff(minmax(pp),[15,1],{'logsig','purelin'},'trainlm');
%應用遺傳演算法對優化網路初始值
in=size(pn,1);
out=size(tn,1);
hi=15;%隱含層節點數
L=in*hi+hi*out+hi+out;%遺傳演算法編碼長度
aa=ones(L,1)*[-1,1];
popu=50;%種群規模
initPpp=initializega(popu,aa,'ISeval');%初始化種群
gen=100;%遺傳世代
%調用GAOT工具箱，其中目標函數定義為ISeval
[x,endPop,bPop,trace]=ga(aa,'ISeval',[],initPpp,[1e-6 1 1],'maxGenTerm',…
,gen,'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3]);
%繪收斂曲線圖
figure(1)
plot(trace(:,1),1./trace(:,3),'r-');
hold on
plot(trace(:,1),1./trace(:,2),'b-');
xlabel('Generation');
ylabel('Sum-Squared Error');
figure(2)
plot(trace(:,1),trace(:,3),'r-');
hold on
plot(trace(:,1),trace(:,2),'b-');
xlabel('Generation');
ylabel('Fittness');
%將得到的權值矩陣賦給尚未開始訓練的BP網路
[w1,b1,w2,b2,a1,a2,se,eval]=IScode(x); %調用自定義編解碼函數
%創建網路
net.iW{1,1}=w1;
net.LW{2,1}=w2;
net.b{1,1}=b1;
net.b{2,1}=b2;
%設置訓練參數
net.trainParam.show=10;
net.trainParam.epochs=5000;
net.trainParam.goal=0.05;
%訓練網路
net=train(net,pp,t);
%自定義目標函數
function [sol, eval] = ISeval(sol,options)
% eval - the fittness of this indivial
% sol - the indivial, returned to allow for Lamarckian evolution
% options - [current_generation]
p=[];%原始輸入數據
t=[];%原始輸出數據
in=size(p,1);
out=size(t,1);
hi=15;%隱含層節點數
L=in*hi+hi*out+hi+out;%遺傳演算法編碼長度
for i=1:L,
x(i)=sol(i);
end;
[w1, b1, w2, b2, a1, a2, se, eval]=IScode(x);
%自定義編解碼函數
function [w1, b1, w2, b2, a1, a2, se, eval]=IScode(x)
[pn,minp,maxp]=premnmx(p);
pp=(pn+1)/2;
[tn,mint,maxt]=premnmx(t);
in=size(pn,1);%輸入層結點數
out=size(tn,1);%隱含層結點數
hi=15;%隱含層結點數
L=in*hi+hi*out+hi+out;%遺傳演算法編碼長度
% 前in*hi個編碼為w1
for i=1:hi,
for j=1:in,
w1(i,j)=x(in*(i-1)+j);
end
end
% 接著的hi*out個編碼為w2
for i=1:out,
for j=1:hi,
w2(i,j)=x(hi*(i-1)+j+in*hi);
end
end
% 接著的hi個編碼為b1
for i=1:hi,
b1(i,1)=x((in*hi+hi*out)+i);
end
% 最後的out個編碼b2
for i=1:out,
b2(i,1)=x((in*hi+hi*out+hi)+i);
end
% 計算hi層與out層的輸出
a1=tansig(w1*pp,b1);
a2=purelin(w2*a1,b2);
% 計算誤差平方和
se=sumsqr(t-a2);eval=1/se; % 遺傳演算法的適應值
『貳』 神經網路 預測問題 matlab工具箱
1 ,BP演算法可以做預測，但是BP演算法較老，現在應用很少了
2 建議用matlab的工具箱 因為你也不專想深入的了解BP網路
3 可能是屬數據歸一問題，也可能是BP網路偶的參數設置問題，BP網路的參數設置對使用人的個人經驗要求很高，
不懂可以留下聯系方式 進一步交流
『叄』 matlab工具箱數據預測
你那個叫用工具箱進行時間序列預測，
給你幾個關鍵詞，這是個領域回，一時說不清。答
adf檢驗，train函數 （bp網路訓練函數） ，還有gm11也可以時間序列預測，具體看你啥東西。另外，svm是分類的，沒有你說的預測具體值
『肆』 如何用MATLAB的神經網路工具箱實現三層BP網路
這是一個來自<神經網路之家>nnetinfo的例子,在matlab2012b運行後的確可以,因為網路知道的文本寬度不夠,注釋擠到第二行了,有些亂,樓主注意區分哪些是代碼哪些是注釋,
x1 =
[-3,-2.7,-2.4,-2.1,-1.8,-1.5,-1.2,-0.9,-0.6,-0.3,0,0.3,0.6,0.9,1.2,1.5,1.8]; %x1：x1 = -3:0.3:2;
x2 =
[-2,-1.8,-1.6,-1.4,-1.2,-1,-0.8,-0.6,-0.4,-0.2,-2.2204,0.2,0.4,0.6,0.8,1,1.2];%x2：x2 = -2:0.2:1.2;
y = [0.6589,0.2206,-0.1635,-0.4712,-0.6858,-0.7975,-0.8040,...
-0.7113,-0.5326,-0.2875
,0,0.3035,0.5966,0.8553,1.0600,1.1975,1.2618]; %y：
y = sin(x1)+0.2*x2.*x2;
inputData = [x1;x2]; %將x1,x2作為輸入數據
outputData = y; %將y作為輸出數據
%使用用輸入輸出數據（inputData、outputData）建立網路，
%隱節點個數設為3.其中隱層、輸出層的傳遞函數分別為tansig和purelin，使用trainlm方法訓練。
net = newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');
%設置一些常用參數
net.trainparam.goal = 0.0001;
%訓練目標：均方誤差低於0.0001
net.trainparam.show = 400; %每訓練400次展示一次結果
net.trainparam.epochs = 15000;
%最大訓練次數：15000.
[net,tr] = train(net,inputData,outputData);%調用matlab神經網路工具箱自帶的train函數訓練網路
simout = sim(net,inputData);
%調用matlab神經網路工具箱自帶的sim函數得到網路的預測值
figure; %新建畫圖窗口窗口
t=1:length(simout);
plot(t,y,t,simout,'r')%畫圖，對比原來的y和網路預測的y
『伍』 matlab中BP神經網路工具箱如何對發動機壽命進行預測
關於神經網路（matlab）歸一化的整理由於採集的各數據單位不一致，因而須對神經網路是以樣本在事件中的統計分別幾率來進行訓練（概率計算）和預測的，,IHBBbz
『陸』 如何用BP模型和支持向量機模型在MATLAB中實現預測
如何用BP模型和支持來向量機模型源在MATLAB中實現預測
根據你的描述： BPNN可以用matlab里的神經網路工具箱，GUI的界面或者matlab源程序都可以 SVM推薦用Libsvm或Lssvm，網上都有下載額
『柒』 matlab中bp神經網路的工具箱怎麼用，不要matlab程序，就工具箱怎麼實現問題的解決
matlab中神經網路的工具箱：輸入nntool，就會彈出一個對話框，然後你就可以根據彈出框的指示來操作。
『捌』 直接用神經網路工具箱構建bp神經網路，希望能給個例子說明，有註解最好，本人matlab新手，謝謝
BP（Back Propagation）神經網路是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層專前饋網路，是目前應用屬最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。
附件就是利用神經網路工具箱構建BP神經網路進行預測的實例。如果要用可視化工具，可以在命令窗口輸入nntool.
『玖』 GA-BP神經網路模型預測的MATLAB程序問題
Matlab神經網路工具箱提供了一系列用於建立和訓練bp神經網路模型的函數命令，很難一時講全。下面僅以一個例子列舉部分函數的部分用法。更多的函數和用法請仔細查閱Neural Network Toolbox的幫助文檔。 例子：利用bp神經網路模型建立z=sin(x+y)的模型並檢驗效果 %第1步。隨機生成200個采樣點用於訓練 x=unifrnd(-5,5,1,200); y=unifrnd(-5,5,1,200); z=sin(x+y); %第2步。建立神經網路模型。其中參數一是輸入數據的范圍，參數二是各層神經元數量，參數三是各層傳遞函數類型。 N=newff([-5 5;-5 5],[5,5,1],{'tansig','tansig','purelin'}); %第3步。訓練。這里用批訓練函數train。也可用adapt函數進行增長訓練。 N=train(N,[x;y],z); %第4步。檢驗訓練成果。 [X,Y]=meshgrid(linspace(-5,5)); Z=sim(N,[X(:),Y(:)]'); figure mesh(X,Y,reshape(Z,100,100)); hold on; plot3(x,y,z,'.')
『拾』 請問大俠，哪裡能找到在MATLAB環境下使用BP神經網路工具箱函數做預測的視頻
這個很簡單啊，比抄我當初的簡單多了，給你推薦本書《先進PID演算法集MATLAB模擬》，里頭有神經網路的程序，你可以直接編程做，老師一看，會覺得你很nb或者，你去買本介紹MATLAB SIMULINK的書，simulink就是你說得matlab里頭的一個工具箱，通過模塊進行模擬，很強大，但是無論用哪種方法，都要認真看書，好好學，編程這個東西得用時間琢磨的，祝樓主成功！