『壹』 谁有用于数据预测的用遗传算法改进的BP神经网络程序
给你来一段
%主程序
%数据归一化预处理
nntwarn off
[pn,minp,maxp]=premnmx(p);
pp=(pn+1)/2;
[tn,mint,maxt]=premnmx(t);
%建立BP网络
net=newff(minmax(pp),[15,1],{'logsig','purelin'},'trainlm');
%应用遗传算法对优化网络初始值
in=size(pn,1);
out=size(tn,1);
hi=15;%隐含层节点数
L=in*hi+hi*out+hi+out;%遗传算法编码长度
aa=ones(L,1)*[-1,1];
popu=50;%种群规模
initPpp=initializega(popu,aa,'ISeval');%初始化种群
gen=100;%遗传世代
%调用GAOT工具箱，其中目标函数定义为ISeval
[x,endPop,bPop,trace]=ga(aa,'ISeval',[],initPpp,[1e-6 1 1],'maxGenTerm',…
,gen,'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3]);
%绘收敛曲线图
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');
%将得到的权值矩阵赋给尚未开始训练的BP网络
[w1,b1,w2,b2,a1,a2,se,eval]=IScode(x); %调用自定义编解码函数
%创建网络
net.iW{1,1}=w1;
net.LW{2,1}=w2;
net.b{1,1}=b1;
net.b{2,1}=b2;
%设置训练参数
net.trainParam.show=10;
net.trainParam.epochs=5000;
net.trainParam.goal=0.05;
%训练网络
net=train(net,pp,t);
%自定义目标函数
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=[];%原始输入数据
t=[];%原始输出数据
in=size(p,1);
out=size(t,1);
hi=15;%隐含层节点数
L=in*hi+hi*out+hi+out;%遗传算法编码长度
for i=1:L,
x(i)=sol(i);
end;
[w1, b1, w2, b2, a1, a2, se, eval]=IScode(x);
%自定义编解码函数
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);%输入层结点数
out=size(tn,1);%隐含层结点数
hi=15;%隐含层结点数
L=in*hi+hi*out+hi+out;%遗传算法编码长度
% 前in*hi个编码为w1
for i=1:hi,
for j=1:in,
w1(i,j)=x(in*(i-1)+j);
end
end
% 接着的hi*out个编码为w2
for i=1:out,
for j=1:hi,
w2(i,j)=x(hi*(i-1)+j+in*hi);
end
end
% 接着的hi个编码为b1
for i=1:hi,
b1(i,1)=x((in*hi+hi*out)+i);
end
% 最后的out个编码b2
for i=1:out,
b2(i,1)=x((in*hi+hi*out+hi)+i);
end
% 计算hi层与out层的输出
a1=tansig(w1*pp,b1);
a2=purelin(w2*a1,b2);
% 计算误差平方和
se=sumsqr(t-a2);eval=1/se; % 遗传算法的适应值
『贰』 神经网络 预测问题 matlab工具箱
1 ,BP算法可以做预测，但是BP算法较老，现在应用很少了
2 建议用matlab的工具箱 因为你也不专想深入的了解BP网络
3 可能是属数据归一问题，也可能是BP网路偶的参数设置问题，BP网络的参数设置对使用人的个人经验要求很高，
不懂可以留下联系方式 进一步交流
『叁』 matlab工具箱数据预测
你那个叫用工具箱进行时间序列预测，
给你几个关键词，这是个领域回，一时说不清。答
adf检验，train函数 （bp网络训练函数） ，还有gm11也可以时间序列预测，具体看你啥东西。另外，svm是分类的，没有你说的预测具体值
『肆』 如何用MATLAB的神经网络工具箱实现三层BP网络
这是一个来自<神经网络之家>nnetinfo的例子,在matlab2012b运行后的确可以,因为网络知道的文本宽度不够,注释挤到第二行了,有些乱,楼主注意区分哪些是代码哪些是注释,
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]; %将x1,x2作为输入数据
outputData = y; %将y作为输出数据
%使用用输入输出数据（inputData、outputData）建立网络，
%隐节点个数设为3.其中隐层、输出层的传递函数分别为tansig和purelin，使用trainlm方法训练。
net = newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');
%设置一些常用参数
net.trainparam.goal = 0.0001;
%训练目标：均方误差低于0.0001
net.trainparam.show = 400; %每训练400次展示一次结果
net.trainparam.epochs = 15000;
%最大训练次数：15000.
[net,tr] = train(net,inputData,outputData);%调用matlab神经网络工具箱自带的train函数训练网络
simout = sim(net,inputData);
%调用matlab神经网络工具箱自带的sim函数得到网络的预测值
figure; %新建画图窗口窗口
t=1:length(simout);
plot(t,y,t,simout,'r')%画图，对比原来的y和网络预测的y
『伍』 matlab中BP神经网络工具箱如何对发动机寿命进行预测
关于神经网络（matlab）归一化的整理由于采集的各数据单位不一致，因而须对神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测的，,IHBBbz
『陆』 如何用BP模型和支持向量机模型在MATLAB中实现预测
如何用BP模型和支持来向量机模型源在MATLAB中实现预测
根据你的描述： BPNN可以用matlab里的神经网络工具箱，GUI的界面或者matlab源程序都可以 SVM推荐用Libsvm或Lssvm，网上都有下载额
『柒』 matlab中bp神经网络的工具箱怎么用，不要matlab程序，就工具箱怎么实现问题的解决
matlab中神经网络的工具箱：输入nntool，就会弹出一个对话框，然后你就可以根据弹出框的指示来操作。
『捌』 直接用神经网络工具箱构建bp神经网络，希望能给个例子说明，有注解最好，本人matlab新手，谢谢
BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层专前馈网络，是目前应用属最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。
附件就是利用神经网络工具箱构建BP神经网络进行预测的实例。如果要用可视化工具，可以在命令窗口输入nntool.
『玖』 GA-BP神经网络模型预测的MATLAB程序问题
Matlab神经网络工具箱提供了一系列用于建立和训练bp神经网络模型的函数命令，很难一时讲全。下面仅以一个例子列举部分函数的部分用法。更多的函数和用法请仔细查阅Neural Network Toolbox的帮助文档。 例子：利用bp神经网络模型建立z=sin(x+y)的模型并检验效果 %第1步。随机生成200个采样点用于训练 x=unifrnd(-5,5,1,200); y=unifrnd(-5,5,1,200); z=sin(x+y); %第2步。建立神经网络模型。其中参数一是输入数据的范围，参数二是各层神经元数量，参数三是各层传递函数类型。 N=newff([-5 5;-5 5],[5,5,1],{'tansig','tansig','purelin'}); %第3步。训练。这里用批训练函数train。也可用adapt函数进行增长训练。 N=train(N,[x;y],z); %第4步。检验训练成果。 [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』 请问大侠，哪里能找到在MATLAB环境下使用BP神经网络工具箱函数做预测的视频
这个很简单啊，比抄我当初的简单多了，给你推荐本书《先进PID算法集MATLAB仿真》，里头有神经网络的程序，你可以直接编程做，老师一看，会觉得你很nb或者，你去买本介绍MATLAB SIMULINK的书，simulink就是你说得matlab里头的一个工具箱，通过模块进行仿真，很强大，但是无论用哪种方法，都要认真看书，好好学，编程这个东西得用时间琢磨的，祝楼主成功！