Ⅰ 基於時間序列matlab的BP神經網路預測
net=newff(minmax(P),[7,1],{'tansig','logsig'},'traingdx');
這個的意思是建立一個隱含層有7個節點，輸出層有一個節點的網路，其傳輸函數分別是tansig , logsig.訓練函數用traindx函數。
Ⅱ MATLAB時間序列神經網路訓練好以後怎麼預測
y=sim(net,p);
net是訓練好的網路，p是輸入，y就是你要的輸出。
關鍵是p輸入的列維一定要對。
Ⅲ 用matlab神經網路工具箱訓練樣本，發現預測結果都是一個值
檢查一下測試集的選取是否合理
Ⅳ 如何利用matlab進行神經網路預測
matlab 帶有神經網路工來具箱，可直自接調用，建議找本書看看，或者MATLAB論壇找例子。
核心調用語句如下：
%數據輸入
%選連樣本輸入輸出數據歸一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%% BP網路訓練
% %初始化網路結構
net=newff(inputn,outputn,[8 8]);
net.trainParam.epochs=100;
net.trainParam.lr=0.01;
net.trainParam.goal=0.01;
%網路訓練
net=train(net,inputn,outputn);
%% BP網路預測
%預測數據歸一化
inputn_test=mapminmax('apply',input_test,inputps);
%網路預測輸出
an=sim(net,inputn_test);
%網路輸出反歸一化
BPoutput=mapminmax('reverse',an,outputps);
%% 結果分析
Ⅳ 求matlab神經網路時間序列預測的完整程序
將時間序列拆開，組織訓練樣本。參考附件的例子，用的是BP神經網路。
BP（Back Propagation）神經網路是86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前饋網路，是目前應用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)。
Ⅵ 用MATLAB的BP神經網路時間序列預測編程
示常式序見附件，其為一個簡單的時間序列預測算例。其實所有的預測問題，本質都是一樣的，通過對樣本的學習，將網路訓練成一個能反映時間序列內部非線性規律的系統，最終應用於預測。
BP（Back Propagation）神經網路是86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前饋網路，是目前應用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)。
Ⅶ 用matlab 做時間序列分析應該用什麼工具箱
要把抄這個工具箱添加進matlab 中就行了。具體方法：如果是Matlab安裝光碟上的工具箱，重新執行安裝程序，選中即可。
如果是單獨下載的工具箱，一般情況下僅需要把新的工具箱解壓到某 個目錄，然後用ddpath(對於多個目錄的使用genpath()或者pathtool添 加工具箱的路徑，然後用which newtoolbox_command.m來檢驗是否可 以訪問。
如果能夠顯示新設置的路徑，則表明該工具箱可以使用了。
具體請看工具箱自己代的README文件。
Ⅷ Matlab編寫BP神經網路時間序列逼近程序例子，不要工具箱的程序。。。。。
不難，發我163郵箱，我看看
Ⅸ 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
Ⅹ 對於一個時間序列怎麼編寫bp神經網路matlab程序實現預測
BP網路訓練圖：
P = [1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009];%輸入向量
T = [115.4 212.1 259.7 251.8 352 463.4 509 558 614 700 696 712];%期望輸出
Z=[2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020]
%創建兩層的BP網路：
net = newff([1998 2009],[100 1],{'tansig' 'purelin'});
net.trainparam.show=50;
%每次循環50次
net.trainParam.epochs = 500;
%最大循環500次
net = train(net,P,T);
%對網路進行反復訓練
只給出了一部分程序，其餘的QQ傳給你，留你的QQ。
結果：
Y =
Columns 1 through 7
115.4067 212.0911 259.7029 251.7979 352.0027 463.4023 508.9910
Columns 8 through 12
558.0155 613.9892 699.9980 696.0063 711.9970
預測值a =
Columns 1 through 7
711.9970 711.7126 749.4216 749.2672 746.7096 746.7096 751.0786
Columns 8 through 11
760.2729 757.3316 696.5151 696.5151
分別是2010-2020年的預測數據。