bp神经网络的随机矩阵

有些资料上说,遗传算法优化BP神经网络权阈值的适应度评价函数是：单次输出T这里的实际输出指神经网络计算值,理论输出表示期望输出值.这个平方和值应该

你这相当于软测量建模,你说的Targe是matlab神经网络工具箱中的吧?我也做了一个神经网络仿真,没有用那个工具箱,直接编的程,我的是二个输入四个输出,其实很简单,一看就懂,想要把qq邮箱给我,我发

楼上的程序是对的,但是你只有输出数据,输入数据是什么呢?难道是时间,年限和输出数据之间没关系吧.所以你的原始数据条件不够net=newff(minmax(P）【7,1],{'tansig','logs

BP网络多次训练得到的结果是不同的,原因就是权值的伪随机生成.权值给定值和伪随机数有可能产生不同影响,最终得到的权值可能会改变.原因是这样的,BP神经网络权值的迭代是局部寻优,往往找到的是极小值.给一

收敛和迭代算法有关.反向传播算法是定义一个误差er（往往是输出结果与预想结果之间的某个范数）,然后求出满足误差极小的权向量.如果把误差看成一个连续函数（泛函）的话,求对权向量各分量的偏导为0即可,但是

%由于数据比较大,我又懒得用归一化,所以直接把数据降了3个数量级,%不过我觉得应该没问题,但用归一化结果应该更准确些.%由于初始权值和阀值均是随机给的,所以每次仿真都有点点不同,这是正常的.p=[11

输入层,输出层,隐含层输入训练函数和测试函数,隐含层设置训练规则和权值还有阈值,输出训练结果和测试结果,找本书看看推荐matlab30个神经网络案例分析,上面讲解很好,还有例程

你的程序训练完毕后根本就没达到目标误差,就是说训练效果不好,不能进行预测,只有训练结果好了才能预测仿真,你再改一下隐含层神经元数或者训练和传递函数试试吧~另外输入层的值可以归一化也可以不归一化,归一化

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

你的T 少了一个.

说实话,就这些数据实在太少,预测效果太差,除非你只是想要用一用神经网络,否则建议你换个灰色预测之类的方法再问：嗯，谢谢你的回答，我也想到数据太少所以效果会很差，但是这是一个测试实验，我要写毕业论文，然

假设输入的是5个参数,输出1个参数.神经网络的节点结构为5-N-1（N是中间层节点数,数目根据实验效果确定,可选5~10个）关于输入延迟,不清楚意思.是否可以做这样的数据处理：假设t时间的5个输入数据

那个是迭代次数,在不满足拟合的情况下,程序会一直训练,直到满足训练目标!关键不是epoch,再问：谢谢哈，那我得到的误差波动比较大，这个我也试过改网络上讲的那些参数，总是不对，小弟初学菜鸟，还望指教~

P=[];‘输入,开盘价,最高价,最低价,收盘价成交量依次5天的数据’T=[];’输出,即第二日的收盘’net=newff(minmax(P),[7,1],{'tansig','logsig'},'t

友情提醒百度知道上面的专家是很少的,大部分都是想赚赚积分闲人.以后有比较专业或者难一点的问题最好上专业的论坛上去问,百度知道只能算一个值得一试的补充.－－－－－－－－－－－－－－－－－－－－－－－－－

输入输出不对应!输入为7个15维的数据,输出结果应该是7个.你输出是一个15维的判断向量.输入输出都需要转置一下!

你这是不是用遗传算法优化权值和阀值啊?我不知道你x的哪里来的?所以也不知道你是如何确定初始权值和阀值.不过我们平常写程序时这些值都是随机赋予的.再问：就是看不明白，比如说B1中，怎么又有乘法又有加法，

你可以把矩阵按你的规律变形为向量然后当作一个样本网络训练好之后预测的结果按你之前的规律反过来变形应该就可以了神经网络应该也能把握数据的规律要强调一点是单个样本应该只能是向量的形式再问：按我的规律？你指

你训练就是为了得到权值啊!ijklijkl第i个神经元到第j个神经元的权值格式再问：每次训练权值都会变怎么办，还有权值怎么保存和下次使用？

p和t后面加个‘!你的p和t维数不对,这样输入不对了!