分析预测问题中的BP神经网络可用条件

2005燕北师范大学学报二十一. 2005年，文章编号: 1009 1939（2005）05分析预测问题中的03BP神经网络可用条件乔永生，燕北师范学院教务处，山西大同037009）摘要: 介绍了BP神经网络的结构并分析了神经网络预测的原理，指出神经网络是内插的，讨论了神经网络可以预测的条件，并通过实例验证. 关键字: 神经网络时间序列预测插值CLC: TP 387文档标识码: A使用神经网络模型预测时间序列是当今的一种常用方法. 本文讨论了神经网络在时间序列预测中的适用条件. BP神经网络的结构由一个公共的隐藏层和一个输出层组成. 输入层包含输入单元，输出层包含输出单元. 如果单元激活函数使用单调递增的连续函数: 一组连续函数，然后给定任何函数，使得网络输出可以任意近似非线性连续函数，则此结果表明: 输入输出数据属于训练样本集网络的输出无限接近实际值，并且误差极限为零. 现在的问题是，如果将网络应用于复杂系统的预测，则输入向量通常不属于训练样本此时，它应该基于输入向量和训练样本集. 关系估计可预测结果的可靠性和准确性.

时间序列预测方法时间序列是按时间顺序排列的一组数据，它是影响时间序列的主要变量. 对于其未来的时间网络，即误差后向传播神经网络，它是一个前馈网络，分为输入层，隐藏层和输出层. 隐藏层通过动作函数执行固定的非线性更改，将输出空间映射到新空间，并且输出层节点在新空间中执行线性加权组合. 本质上，神经网络是因果关系的插值拟合. 对于非线性时间序列网络的结构形式，即依次输入多个已知序列值（输入输出模式. 输入模式下节点和隐藏层节点的数量可以通过试算确定. 网络的输入和输出模式一旦确认，就可以从已知序列中采样并训练网络，直到达到一定的小误差为止. 完成网络训练后，时间序列的长度可以基于最后一个28作者简介: 乔永生（1977年，男，山西曲阜人，硕士，助教. 研究方向: 人工智能. 时间序列可预测性的讨论首先要考虑的是在时间）是一个有限的时间间隔: 对于时间序列，存在周期性. 可以将周期性特殊时间序列用作输出，并且使用神经网络来拟合之间的函数关系只要可以均匀地获取一个周期内的大多数样本数据，就可以预测出在任何时候正弦曲线上的点都是神经网络. 隐藏层节点的仿真结果如图1所示: 对于没有周期性的时间序列，我们在输入和输出值定义的范围内传递均匀因子影响值，以训练网络.

以下示例是: 本质上是拟合功能. 当神经网络的隐藏层有5个部分时，仿真结果如图2所示: 由于影响输出的输入值x的时间序列是一个无限区间，因此通常无法通过以下方式预先准备该时间序列: 神经网络. 短期预测神经网络应用条件，但不是长期预测. 这是因为神经网络拟合的函数关系是混乱的，即它对初始值敏感，并且预测本身的短期结果有误差，然后使用它来预测下一个输出值，错误会被放大神经网络应用条件，甚至会非常急于偏离实际价值. 当神经网络中有节点时，仿真结果如图3所示: 神经网络预测正弦信号的结果，只有前几个值接近结果结论，预测的输出值是有界的值，并且在因变量的范围内. 有很多均匀分布的已知样本. 周期性变化的时间序列可以通过神经网络预测. 使用神经网络来预测，短期可预测，长期不可预测参考文献MATLAB Toolbox神经网络理论与应用[: 46. （转到第40个DefineClass Person CustomOL EPUBL IC，名字空间（20），姓氏空间（20），过程获取名称，名字，FirstName，Last2Name，Endproc，Enddefine，您可以调用自动化服务程序在Excel VB中使用以下代码: Seto Test CreateObject（” projl.

person”）cName GetName在标准自动化方案中，客户端和服务器在VFP6中的同一台计算机上运行. 也可以通过网络客户端程序调用远程服务程序. 参考文献用于动态数据交换的词方便方法[J计算机工程，2005，31（11）: 198VisualFoxPro6. 其他应用程序IU Hong2ying（燕北师范大学计算机中心，山西大同，037009）摘要介绍了技术Vi2sual FoxPro如何实现Visual Foxpr06. 其他应用软件，如C，EXCEL，WORD进行数据程序连接. 关键字: VFP Excel，Word，VB，OLE，ActiveX（接上第34届神经网络工作时间序列乔永生计算机部中国山西太原030051燕北师范大学山西大同037009）关键词: BP网络时间序列

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-212765-1.html