Ⅰ 基于时间序列matlab的BP神经网络预测
net=newff(minmax(P),[7,1],{'tansig','logsig'},'traingdx');
这个的意思是建立一个隐含层有7个节点，输出层有一个节点的网络，其传输函数分别是tansig , logsig.训练函数用traindx函数。
Ⅱ MATLAB时间序列神经网络训练好以后怎么预测
y=sim(net,p);
net是训练好的网络，p是输入，y就是你要的输出。
关键是p输入的列维一定要对。
Ⅲ 用matlab神经网络工具箱训练样本，发现预测结果都是一个值
检查一下测试集的选取是否合理
Ⅳ 如何利用matlab进行神经网络预测
matlab 带有神经网络工来具箱，可直自接调用，建议找本书看看，或者MATLAB论坛找例子。
核心调用语句如下：
%数据输入
%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%% BP网络训练
% %初始化网络结构
net=newff(inputn,outputn,[8 8]);
net.trainParam.epochs=100;
net.trainParam.lr=0.01;
net.trainParam.goal=0.01;
%网络训练
net=train(net,inputn,outputn);
%% BP网络预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
%网络预测输出
an=sim(net,inputn_test);
%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);
%% 结果分析
Ⅳ 求matlab神经网络时间序列预测的完整程序
将时间序列拆开，组织训练样本。参考附件的例子，用的是BP神经网络。
BP（Back Propagation）神经网络是86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前馈网络，是目前应用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)。
Ⅵ 用MATLAB的BP神经网络时间序列预测编程
示例程序见附件，其为一个简单的时间序列预测算例。其实所有的预测问题，本质都是一样的，通过对样本的学习，将网络训练成一个能反映时间序列内部非线性规律的系统，最终应用于预测。
BP（Back Propagation）神经网络是86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前馈网络，是目前应用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)。
Ⅶ 用matlab 做时间序列分析应该用什么工具箱
要把抄这个工具箱添加进matlab 中就行了。具体方法：如果是Matlab安装光盘上的工具箱，重新执行安装程序，选中即可。
如果是单独下载的工具箱，一般情况下仅需要把新的工具箱解压到某 个目录，然后用ddpath(对于多个目录的使用genpath()或者pathtool添 加工具箱的路径，然后用which newtoolbox_command.m来检验是否可 以访问。
如果能够显示新设置的路径，则表明该工具箱可以使用了。
具体请看工具箱自己代的README文件。
Ⅷ Matlab编写BP神经网络时间序列逼近程序例子，不要工具箱的程序。。。。。
不难，发我163邮箱，我看看
Ⅸ 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
Ⅹ 对于一个时间序列怎么编写bp神经网络matlab程序实现预测
BP网络训练图：
P = [1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009];%输入向量
T = [115.4 212.1 259.7 251.8 352 463.4 509 558 614 700 696 712];%期望输出
Z=[2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020]
%创建两层的BP网络：
net = newff([1998 2009],[100 1],{'tansig' 'purelin'});
net.trainparam.show=50;
%每次循环50次
net.trainParam.epochs = 500;
%最大循环500次
net = train(net,P,T);
%对网络进行反复训练
只给出了一部分程序，其余的QQ传给你，留你的QQ。
结果：
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
预测值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
分别是2010-2020年的预测数据。