预测 一般有哪些方法 神经网络

1. 预测 一般有哪些方法 神经网络

时间序列预测只要能转化为训练样本，即可使用神经网络进行训练。目前常用的几类人工神经网络，如BP神经网络、Elman神经网络、RBF神经网络、GRNN神经网络、小波神经网络以及各类组合神经网络，都是可以应用在时间序列预测中的。
预测效果较好的一般有：1、GRNN神经网络、RBF神经网络。局部逼近网络由于只需调整局部权值，因此训练速度较快，拟合精度也较高。2、Elman神经网络。由于Elman神经网络的承接层的延时算子，使得网络可以记忆历史信息，这正好与时间序列预测的原理相同，极其适于应用于时间序列预测。

2. 神经网络预测值为何全相同

最大的可能性是没有归一化。具体原因见下：
下面这个是经典的Sigmoid函数的曲线图：


如果不进行归一化，则过大的输入x将会导致Sigmoid函数进入平坦区，全部趋近于1，即最后隐层的输出全部趋同。输出层是个purelin，线性组合后的输出层输出当然也全是几乎相同的了。

使用matlab进行归一化通常使用mapminmax函数，它的用法：
[Y,PS] = mapminmax(X,YMIN,YMAX)——将数据X归一化到区间[YMIN,YMAX]内，YMIN和YMAX为调用mapminmax函数时设置的参数，如果不设置这两个参数，这默认归一化到区间[-1, 1]内。标准化处理后的数据为Y，PS为记录标准化映射的结构体。我们一般归一化到（0,1）区间内。希望采纳哦！http://zhidao.baidu.com/question/1882929579529248508

3. 神经网络的功能！

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。
在机器学习和相关领域，人工神经网络（人工神经网络）的计算模型灵感来自动物的中枢神经系统（尤其是脑），并且被用于估计或可以依赖于大量的输入和一般的未知近似函数。人工神经网络通常呈现为相互连接的“神经元”，它可以从输入的计算值，并且能够机器学习以及模式识别由于它们的自适应性质的系统。
人工神经网络的最大优势是他们能够被用作一个任意函数逼近的机制，那是从观测到的数据“学习”。然而，使用起来也不是那么简单的，一个比较好理解的基本理论是必不可少的。

4. 神经网络适合什么预测

这个问题，先可以理解为什么神经网络可以实现预测。

我们将我们平常看到的神经网络转90度来看。最下层（输入层）信息逐渐到上层（输出层）时候可以得到一个预测结果。其中起到关键作用的就是中间的隐藏层。那么可以理解为隐藏层有什么作用导致了整个神经网络可以进行预测。

我们耳熟能详的解释是，隐藏层具有提取特征的能力。那么如何理解这个提取特征的能力？我们以一个公司选举为例，我们要选择一个人当作我们的团队的头头。A1、A2、A3、A4、A5表示5个小职员，B1、B2、B3是中层干部，C_pred表示我们要选择的头头。那么这个选举流程是每个中层干部（B1-B3）都要去分别听5个小职员（A1-A5）的建议，那么做为上级，在听取下级的建议时候，肯定是有倾向的，肯定会更多考虑某一个值得信任的下级的建议，因此可以看出来，中层干部针对不同的小员工的信息具有不同的建议分辨能力，就可以理解为上一层对下一层信息有选择性质的提取，那么中层干部（B1-B3）将提取的信息整合，选出一个头头C_pred。但是经过选举出来的这个头头，必须通过董事会的建议，而董事会已经有了合适的人选C_true,然后董事长告诉大家，C_true是我当年的发小，于是乎中层干部（B1-B3）听到这个信息马上去讨论改选择谁当头头，接着，中层干部（B1-B3）马上去发动手底下的小弟（A1-A5）重新讨论选举头头人问题，于是乎信息又一次次过滤，一次次汇报，最终董事长觉得这个C_pred和自己信息预测的C_true差不多，就通过的他心里的那个坎。

将人类的活动化为数学问题，那么我们可以认为，中层干部（B1-B3）针对不同小职员（A1-A5）的建议吸收程度，视为特征提取，将董事长心里预期C_true和中层干部（B1-B3）的建议后选择人C_pred的落差视为loss，然后将董事长的指示一层层传达上报的行为称为反向传播（BP）,最终C_pred复合董事长心里预期，通过他心里的坎可以视为，结果大于score（置信度).

5. 采用什么手段使神经网络预测更加准确

优化神经网络结构。如BP神经网络改变隐层神经元数量、训练算法等；
使用其他神经网络。如Elman神经网络考虑了前一时刻的输出，比较适合用于预测，预测效果往往更好。RBF神经网络的训练速度很快，训练效果也很好。
改进的神经网络算法。例如BP神经网络增加动量项、自适应学习率等措施，防止陷入局部极小影响预测效果。
组合神经网络。取长补短，将全局搜索能力强的算法与局部逼近快的算法组合起来，如遗传算法优化初始权值，再训练。这种方法比较灵活，可以和许多算法融合。
全面考虑影响因素。未来的预测值受许多因素影响，所以应该在基于历史数据的基础上，充分考虑各种因素，考虑得越周全，预知信息越多，预测效果一般更好。

6. 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.mat
data=C
x=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fn
fn=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*-'),hold on
plot(t(end):t1(end),[iinput(end),f_out],'rp-'),grid on
xlabel('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