神经网络算法实例说明有哪些?
在网络模型与算法研究的基础上,利用人工神经网络组成实际的应用系统,例如,完成某种信号处理或模式识别的功能、构作专家系统、制成机器人、复杂系统控制等等。
纵观当代新兴科学技术的发展历史,人类在征服宇宙空间、基本粒子,生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到,探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。
谷歌人工智能写作项目:小发猫
求助:用神经网络做一个数据预测
下列代码为BP神经网络预测37-56周的销售量的代码:%x为原始序列load销售量.matdata=Cx=data';t=1:length(x);lag=2;fn=length(t);[f_out,iinput]=BP(x,lag,fn);%预测年份或某一时间段t1=fn:fn+20;n=length(t1);t1=length(x)+1:length(x)+n;%预测步数为fnfn=length(t1); [f_out,iinput]=BP(x,lag,fn);P=vpa(f_out,5);[t1'P']%画出预测图figure(6),plot(t,x,'b*-'),holdonplot(t(end):t1(end),[iinput(end),f_out],'rp-'),gridonxlabel('周数'),ylabel('销售量');str=['BP神经网络预测',num2str(length(x)+1),'-',num2str(length(x)+20),'周的销售量'];title(str)str1=['1-',num2str(length(x)),'周的销售量'];str2=[num2str(length(x)+1),'-',num2str(length(x)+20),'周的预测销售量'];legend(str1,str2)运行结果。
在看了案例二中的BP神经网络训练及预测代码后,我开始不明白BP神经网络究竟能做什么了。。。 程序最后得到
网络的训练过程与使用过程了两码事。
比如BP应用在分类,网络的训练是指的给你一些样本,同时告诉你这些样本属于哪一类,然后代入网络训练,使得这个网络具备一定的分类能力,训练完成以后再拿一个未知类别的数据通过网络进行分类。
这里的训练过程就是先伪随机生成权值,然后把样本输入进去算出每一层的输出,并最终算出来预测输出(输出层的输出),这是正向学习过程;最后通过某种训练算法(最基本的是感知器算法)使得代价(预测输出与实际输出的某范数)函数关于权重最小,这个就是反向传播过程。
您所说的那种不需要预先知道样本类别的网络属于无监督类型的网络,比如自组织竞争神经网络。
利用BP神经网络预测股票价格走势 20
人工神经网络预测 20
我的毕业论文也是做神经网络预测的,关于这方面的程序或论文都挺多的,上网查一下,然后理解一下基本就可以了,但如果想做的更深的话就要系统的学习。
科技创新贵在新,你如果只是简单的看书的话可能出不来新的东西,毕竟短时间内你是找不出神经网络的缺陷在哪里,应如何创新。因为人们已经找出了针对已经发现的神经网络缺陷的解决方法。
如果有需要的话可以邮件联系,顺便探讨一下,我的邮箱是.。
matlab神经网络43个案例分析.pdf
哥们,这书还真没搜到PDF电子版的,估计人家就是想用来卖钱的,版权意识特么强。这么厚的书,又全是干货,才32块,很便宜了,真想要学习,推荐买一本,亚马逊,当当,京东上都有卖。
不过就算没买,到神经网络之家、matlabsky、数学中国、matlab中文论坛等一些免费论坛看看贴,一样学习。希望对你有帮助。
关于构建一个三层BP神经网络对药品的销售进行预测(程序由matlab编写)
。
clearall;closeall;clc;%p=[205623952600229816341600183714781900239526002298163416001873147819001500260022981634160018731478190015002046];t=[187314781900150020461556];p=[205623952600229816341600];%--归一化输入输出--映射到[0,1]--%pmax=max(p);pmin=min(p);P=(p-pmin)./(pmax-pmin);tmax=max(t);tmin=min(t);T=(t-tmin)./(tmax-tmin);net=newff(P,T,5,{'tansig','purelin'},'traingdx');%--设置训练参数--%=50;=0.05;net.trainParam.epochs=1000;=1e-3;net.divideFcn='';[net,tr]=train(net,P,T);A=sim(net,P);a=A.*(tmax-tmin)+tmin;x=7:12;figureplot(x,t,'+');holdon;plot(x,a,'or');holdoff;xlabel('month');ylabel('**')legend('实际','预测')。