matlab BP神经网络

1. matlab BP神经网络

从原理上来说，神经网络是可以预测未来的点的。
实际上，经过训练之后，神经网络就拟合了输入和输出数据之间的函数关系。只要训练的足够好，那么这个拟合的关系就会足够准确，从而能够预测在其他的输入情况下，会有什么样的输出。
如果要预测t=[6 7]两点的R值，先以t=[1 2 3 4 5]作为输入，R=[12 13 14 14 15]作为输出，训练网络。训练完成之后，用t=[2 3 4 5 6]作为输入，这样会得到一个输出。不出意外的话，输出的数组应该是[13 14 14 15 X],这里的X就是预测t=6时的R值。然后以t=[3 4 5 6 7]作为输入，同理得到t=7时候的R值。
根据我的神经网络预测，t=6时，R=15，t=7时，R=15。我不知道这个结果是否正确，因为神经网络通常需要大量的数据来训练，而这里给的数据似乎太少，可能不足以拟合出正确的函数。

2. 在线等matlab的BP神经网络预测问题？

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，因而须对数据进行[-1，1]归一化处理，归一化方法主要有如下几种，供大家参考：（by james）
1、线性函数转换，表达式如下：
y=(x-MinValue)/(MaxValue-MinValue)
说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。
2、对数函数转换，表达式如下：
y=log10(x)
说明：以10为底的对数函数转换。
3、反余切函数转换，表达式如下：
y=atan(x)*2/PI
归一化是为了加快训练网络的收敛性，可以不进行归一化处理
归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算，首先基本度量单位要同一，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，归一化是同一在0-1之间的统计概率分布；
当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。
归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9 0.1 0.1]就要比用[1 0 0]要好。
但是归一化处理并不总是合适的，根据输出值的分布情况，标准化等其它统计变换方法有时可能更好。
关于用premnmx语句进行归一化：
premnmx语句的语法格式是：[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)
其中P，T分别为原始输入和输出数据，minp和maxp分别为P中的最小值和最大值。mint和maxt分别为T的最小值和最大值。
premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。
我们在训练网络时如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数据也应该和样本数据接受相同的预处理，这就要用到tramnmx。
下面介绍tramnmx函数：
[Pn]=tramnmx(P,minp,maxp)
其中P和Pn分别为变换前、后的输入数据，maxp和minp分别为premnmx函数找到的最大值和最小值。
（by terry2008）
matlab中的归一化处理有三种方法
1. premnmx、postmnmx、tramnmx
2. restd、poststd、trastd
3. 自己编程
具体用那种方法就和你的具体问题有关了
（by happy）
pm=max(abs(p(i,:))); p(i,:)=p(i,:)/pm;
和
for i=1:27
p(i,:)=(p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:)));
end 可以归一到0 1 之间
0.1+(x-min)/(max-min)*(0.9-0.1)其中max和min分别表示样本最大值和最小值。
这个可以归一到0.1-0.9

3. 用Matlab编程BP神经网络进行预测

原理就是：建立网络-数据归一化-训练-预测-数据反归一化。附件是电力负荷预测的例子，可以参考。

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)。

4. 用Matlab算BP神经网络的具体算法？

BP神经网络的传递函数一般采用sigmiod函数，学习算法一般采用最小梯度下降法；下面是具体的程序例子：
例1 采用动量梯度下降算法训练 BP 网络。
训练样本定义如下：
输入矢量为    
 p =[-1 -2 3  1 
     -1  1 5 -3]
目标矢量为   t = [-1 -1 1 1]
解：本例的 MATLAB 程序如下：
 
close all 
clear 
echo on 
clc 
% NEWFF——生成一个新的前向神经网络
% TRAIN——对 BP 神经网络进行训练
% SIM——对 BP 神经网络进行仿真
pause        
%  敲任意键开始
clc 
%  定义训练样本
% P 为输入矢量
P=[-1,  -2,    3,    1;       -1,    1,    5,  -3];
% T 为目标矢量
T=[-1, -1, 1, 1]; 
pause; 
clc 
%  创建一个新的前向神经网络
net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm')
%  当前输入层权值和阈值
inputWeights=net.IW{1,1} 
inputbias=net.b{1} 
%  当前网络层权值和阈值
layerWeights=net.LW{2,1} 
layerbias=net.b{2} 
pause 
clc 
%  设置训练参数
net.trainParam.show = 50; 
net.trainParam.lr = 0.05; 学习速率
net.trainParam.mc = 0.9; 动量系数
net.trainParam.epochs = 1000; 
net.trainParam.goal = 1e-3; 
pause 
clc 
%  调用TRAINGDM 算法训练 BP 网络
[net,tr]=train(net,P,T); 
pause 
clc 
%  对 BP 网络进行仿真
A = sim(net,P) 
%  计算仿真误差
E = T - A 
MSE=mse(E) 
pause 
clc 
echo off

5. matlab的遗传算法优化BP神经网络

对y=x1^2+x2^2非线性系统进行建模，用1500组数据对网络进行构建网络，500组数据测试网络。由于BP神经网络初始神经元之间的权值和阈值一般随机选择，因此容易陷入局部最小值。本方法使用遗传算法优化初始神经元之间的权值和阈值，并对比使用遗传算法前后的效果。
步骤：
未经遗传算法优化的BP神经网络建模
1、
随机生成2000组两维随机数(x1,x2)，并计算对应的输出y=x1^2+x2^2，前1500组数据作为训练数据input_train，后500组数据作为测试数据input_test。并将数据存储在data中待遗传算法中使用相同的数据。
2、
数据预处理：归一化处理。
3、
构建BP神经网络的隐层数，次数，步长，目标。
4、
使用训练数据input_train训练BP神经网络net。

6. matlab bp神经网络 精度低

首先是我不知道你用的matlab是什么版本。
如果用的2010以后的版本，那么你这样初始化神经网络一定会报警告。
2010版以后初始化神经网络的语句是这样的
net = newff(p, t, 7);
输出层不需要自己去告诉系统。
我想知道的第二个问题，是你的输出层函数是否需要使用logsig。如果使用purelin，那么你大可不必去归一化。后面我会告诉你原因。
你手动指定了训练次数，但是学习率0.01这个数值不知道你从哪里找到的。我可能会选择高一点的学习率，最高我用过0.25.
训练函数你也是手动指定的，这个是需要的么？如果不需要，对于7个神经节点，完全可以使用trainlm，这样你也不需要这么多的训练次数。

下面说一下2010以后的matlab中，神经网络训练增加的一个功能。在初始化神经网络以后，有一个默认的dividing function，将训练样本中的一部分用来校验神经网络性能，以防止过度训练。那么这个参数可能会导致训练不充分。在初始化神经网络以后，需要做的工作是设定net.divideFcn = ''；用来去掉这个分配函数。
如果你需要更改你的transfer function，那么可以在net.layers{2}.transferFcn = 'logsig'将输出层传输函数手动修改。

那么，我使用全默认设置，没有进行归一化处理，获得的结果是这样的。

这个就是把你的t和训练后的神经网络计算的结果放在一起。结果已经很不错了。
如过我去掉了分配函数，那么神经网络就会一直训练到训练次数上限或者达到目标值。165次训练后，误差值是1.77e-19（误差使用mean squared error计算），结果在这里贴出来已经没意义了，因为几乎没有误差。
如果你还有问题，那么跟我细聊一下。

7. 关于MATLAB的bp神经网络模型的训练和验证

可能发生了过度拟合的问题，导致网络泛化能力不足。
你训练的样本波动性很强，但是你检验的样本波动性很弱，神经网络在适应变化极大的问题时，效果不太好。
泛化：当某一反应与某种刺激形成条件联系后，这一反应也会与其它类似的刺激形成某种程度的条件联系，这一过程称为泛化。在心理学心理咨询中所谓泛化指的是：引起求助者目前不良的心理和行为反应的刺激事件不再是最初的事件，同最初刺激事件相类似、相关联的事件（已经泛化），甚至同最初刺激事件不类似、无关联的事件（完全泛化），也能引起这些心理和行为反应（症状表现）。

8. 关于MATLAB中BP神经网络模型训练后的验证

用法错了。
premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。premnmx语句的语法格式是
[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)其中P，T分别为原始输入和输出数据，minp和maxp分别为P中的最小值和最大值。mint和maxt分别为T的最小值和最大值。我们在训练网络时如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数据也应该和样本数据接受相同的预处理，这就要用到tramnmx。
[Pn]=tramnmx(P,minp,maxp)