用来预测的神经网络模型
@魏仲2441：马尔科夫 模型 神经网络模型 统称为什么模型 -
云残18357785903…… 马尔科夫预测模型它的前提条件是,在各个期间或者状态时,变量面临的下一个期间或者状态的转移概率都是一样的、不随时间变化的.一旦转移概率有所变化,Markov模型必须改变转移概率矩阵的参数,否则,预测的结果将会有很大的偏差. 随机过程中,
@魏仲2441：神经网络能对数据进行预测吗 数学建模 -
云残18357785903…… 神经网络本身就是数学的逼近模型,网络最早是由数学中的函数逼近技术而来,按照统计学规律,组合成线性叠加网络,从中分析出一些现实中高度非线性的模型,神经网络本身就是个数学建模,只是经过整理后更容易进行工程实践了,至于预测那是当然可以的
@魏仲2441：数学建模预测用什么模型? -
云残18357785903…… 貌似涉及到用户满意度的问题都挺抽象额~~~ 比较简单的就是弄个优化模型啊,把已知条件化成约束函数,定义一个目标函数~~用matlab或者lingo求解就可以了~~~ 我记得有一年的竞赛题就是跟这个类似的,貌似是求价格和客户满意度的平衡问题,好像是空调吧,你可以找找参考一下
@魏仲2441：用Matlab编程BP神经网络进行预测 -
云残18357785903…… 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).
@魏仲2441：编写matlab的bp神经网络用于预测 -
云残18357785903…… 直接用神经网络工具箱里面的函数做: d = [ 1 0.31 0.27 0.41 0.2 0.6 0.21 2 0.31 0.27 0.41 0.2 0.7 0.19 3 0.31 0.27 0.41 0.2 0.8 0.17 4 0.31 0.39 0.63 0.5 0.6 0.62 5 0.31 0.39 0.63 0.5 0.7 0.63 6 0.31 0.39 0.63 0.5 0.8 0.65 7 0.31 0.51 0.85 0.8 0.6 ...
@魏仲2441：数据挖掘技术主要包括哪些 -
云残18357785903…… 数据挖掘技术主要有决策树 、神经网络 、回归 、关联规则 、聚类 、贝叶斯分类6中. 1、决策树技术. 决策树是一种非常成熟的、普遍采用的数据挖掘技术.在决策树里,所分析的数据样本先是集成为一个树根,然后经过层层分枝,最终形成...
@魏仲2441：预测未来油价改用什么数学建模模型 -
云残18357785903…… 建议用BP神经网络,并且结合主成分分析法. 一些常用的方法,比如多元回归和时间序列方法构建价格预测模型,是一种典型的线性预测模型,能够预测价格变化的线性关系,对中长期预测具有一定的局限性. 神经网络是一种智能预测方法,...
@魏仲2441：bp神经网络为什么要采用非线性函数来进行预测? -
云残18357785903…… 提问:bp神经网络为什么要采用非线性函数来进行预测? 回答:简单的讲,主要是复杂的bp神经网络的行为动态及神经元之间的相互作用是无法用简单的线性函数来描述的!一般来讲,用数学函数模拟一个系统输入与输出的关系(系统函数)时,设其函数为f(x),则它可以表征为一个输入变量x的多项式,即 f(x)=∑an*x^n ∣n=0 ->∞.; 当n≥2时,f(x)就成为非线性函数了.an是每个x高次项的系数.可以用具体的实际实验数据来确定.
@魏仲2441：bp神经网络预测matlab源代码 -
云残18357785903…… P=[1;2;3;4;5];%月 P=[P/50];T=[2;3;4;5;6];%月训练样本 T=[T/50];threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1]; net=newff(threshold,[15,7],{'tansig','logsig'},'trainlm'); net.trainParam.epochs=2000; net.trainParam.goal=0.001; LP.lr=0.1; net=train(net,P,T); P_test=[6月]';%6月数据预测7月 P_test=[P_test/50]; y=sim(net,P_test) y=[y*50]
云残18357785903…… 马尔科夫预测模型它的前提条件是,在各个期间或者状态时,变量面临的下一个期间或者状态的转移概率都是一样的、不随时间变化的.一旦转移概率有所变化,Markov模型必须改变转移概率矩阵的参数,否则,预测的结果将会有很大的偏差. 随机过程中,
@魏仲2441：神经网络能对数据进行预测吗 数学建模 -
云残18357785903…… 神经网络本身就是数学的逼近模型,网络最早是由数学中的函数逼近技术而来,按照统计学规律,组合成线性叠加网络,从中分析出一些现实中高度非线性的模型,神经网络本身就是个数学建模,只是经过整理后更容易进行工程实践了,至于预测那是当然可以的
@魏仲2441：数学建模预测用什么模型? -
云残18357785903…… 貌似涉及到用户满意度的问题都挺抽象额~~~ 比较简单的就是弄个优化模型啊,把已知条件化成约束函数,定义一个目标函数~~用matlab或者lingo求解就可以了~~~ 我记得有一年的竞赛题就是跟这个类似的,貌似是求价格和客户满意度的平衡问题,好像是空调吧,你可以找找参考一下
@魏仲2441：用Matlab编程BP神经网络进行预测 -
云残18357785903…… 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).
@魏仲2441：编写matlab的bp神经网络用于预测 -
云残18357785903…… 直接用神经网络工具箱里面的函数做: d = [ 1 0.31 0.27 0.41 0.2 0.6 0.21 2 0.31 0.27 0.41 0.2 0.7 0.19 3 0.31 0.27 0.41 0.2 0.8 0.17 4 0.31 0.39 0.63 0.5 0.6 0.62 5 0.31 0.39 0.63 0.5 0.7 0.63 6 0.31 0.39 0.63 0.5 0.8 0.65 7 0.31 0.51 0.85 0.8 0.6 ...
@魏仲2441：数据挖掘技术主要包括哪些 -
云残18357785903…… 数据挖掘技术主要有决策树 、神经网络 、回归 、关联规则 、聚类 、贝叶斯分类6中. 1、决策树技术. 决策树是一种非常成熟的、普遍采用的数据挖掘技术.在决策树里,所分析的数据样本先是集成为一个树根,然后经过层层分枝,最终形成...
@魏仲2441：预测未来油价改用什么数学建模模型 -
云残18357785903…… 建议用BP神经网络,并且结合主成分分析法. 一些常用的方法,比如多元回归和时间序列方法构建价格预测模型,是一种典型的线性预测模型,能够预测价格变化的线性关系,对中长期预测具有一定的局限性. 神经网络是一种智能预测方法,...
@魏仲2441：bp神经网络为什么要采用非线性函数来进行预测? -
云残18357785903…… 提问:bp神经网络为什么要采用非线性函数来进行预测? 回答:简单的讲,主要是复杂的bp神经网络的行为动态及神经元之间的相互作用是无法用简单的线性函数来描述的!一般来讲,用数学函数模拟一个系统输入与输出的关系(系统函数)时,设其函数为f(x),则它可以表征为一个输入变量x的多项式,即 f(x)=∑an*x^n ∣n=0 ->∞.; 当n≥2时,f(x)就成为非线性函数了.an是每个x高次项的系数.可以用具体的实际实验数据来确定.
@魏仲2441：bp神经网络预测matlab源代码 -
云残18357785903…… P=[1;2;3;4;5];%月 P=[P/50];T=[2;3;4;5;6];%月训练样本 T=[T/50];threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1]; net=newff(threshold,[15,7],{'tansig','logsig'},'trainlm'); net.trainParam.epochs=2000; net.trainParam.goal=0.001; LP.lr=0.1; net=train(net,P,T); P_test=[6月]';%6月数据预测7月 P_test=[P_test/50]; y=sim(net,P_test) y=[y*50]
