matlab中神经网络预测模型

本文目录一览

• ゃōゃ用神经网络预测睡眠分期的matlab程序
• ˋ▂ˊ如何使用MATLAB建立GM(1,n)模型，用于波动数据预测？
• ˇ﹏ˇ在线等matlab的BP神经网络预测问题？

ゃōゃ用神经网络预测睡眠分期的matlab程序

由于睡眠周期相对不规则，因此使用神经网络来训练一晚的睡眠阶段以预测另一晚的睡眠阶段。 可以考虑使用anfis自适应神经网络进行预测。

这是如何使用anfis自适应神经网络进行预测的示例。

x=(0:0.1:10)';

y=sin(2*x)./exp(x/5);

epoch_n=20;

in_fis=genfis1([xy],5,'gbellmf');

out_fis=anfis([xy],in_fis,epoch_n);

绘图(x,y,x,evalfis(x,out_fis));

图例('TrainingData','AFISOoutput');

xlabel('x'),ylabel('y');

ˋ▂ˊ如何使用MATLAB建立GM(1,n)模型，用于波动数据预测？

从图形结果来看，利用GM(1,1)灰色模型预测波动数据误差较大，预测性不可靠。 推荐使用BP神经网络进行预测，即通过5个已知数据训练来预测10个数据。 方法流程：

1．导入数据

2创建/训练BP神经网络并测试仿真

5按照上述方法，可以得到以下结果。

ˇ﹏ˇ在线等matlab的BP神经网络预测问题？关于神经网络归一化（matlab）
由于采集到的数据单位不一致，所以必须将数据归一化为[-1,1]。 归一化方法主要有以下几种：(byjames)1．线性函数的转换，表达式如下：
y=(x-MinValue)/(MaxValue-MinValue)
说明：x和y分别为转换前、MaxValue和MinValue后的值分别是样本的最大值和最小值。
2.对数函数的转换，表达式如下：
y=log10(x)
说明：对数函数以10为底的转换。
3．反余切函数的转换，表达式如下：
y=atan(x)*2/PI
归一化是为了加速训练网络的收敛，不需要归一化处理归一化
归一化的具体作用是总结统一样本的统计分布。 0-1之间的归一化是统计概率分布，-1--+1之间的归一化是统计坐标分布。 常态化意味着同一、统一、统一。 无论是建模还是计算，首先基本计量单位必须相同。 神经网络根据事件中样本的统计概率进行训练（概率计算）和预测统计概率分布0-1；
当所有样本的输入信号均为正时，连接到神经元的权重第一个隐藏层只能同时增加或减少，导致学习速度非常慢。 。 为了避免这种情况并加快网络的学习速度，可以对输入信号进行归一化，使得所有样本的输入信号的平均值接近于0或与其均方误差相比非常小。
归一化的发生是因为sigmoid函数的值在0到1之间，网络中最后一个节点的输出也是如此，所以样本输出往往需要进行归一化。 因此，在对该问题进行分类时，最好使用[0.90.10.1]而不是[100]。
但是，归一化处理并不总是合适的，具体取决于输出值的分布，归一化等其他统计变换方法有时可能会更好。
关于使用pre mnmx指令进行归一化：
pre mnmx指令的语法格式为：[Pn,minp,maxp,Tn,mint,maxt]=pre mnmx(P,T)
其中P、T分别是原始输入和输出数据，minp和maxp分别是P中的最小值和最大值mint和maxt分别是T的最小值和最大值
函数pre mnmx为。 用于标准化网络的输入或输出数据。 标准化后的数据将分布在[-1,1]范围内。
如果我们在网络训练时使用归一化的样本数据，那么以后使用网络时使用的新数据也应该经过与样本数据相同的预处理，这是tramnmx所要求的。
函数tramnmx如下：
[Pn]=tramnmx(P,minp,maxp)
其中P和Pn分别是变换前后的输入数据，maxp和minp是输入数据pre mnmx分别起作用。 找出最大值和最小值。
(byterry2008)
matlab中归一化处理的方法有3种
1.pre mnmx、postmnmx、tramnmx
2.restd、poststd、trastd
3
具体使用方法要看具体问题
(byhappy)
pm=max(abs(p(i,:)));p(i,:)=p(i,:)/pm;
e
holes=1:27
p(i,:)=(p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:)));
end可以标准化为01
0.1+(x-min)/(max-min)*(0.9-0.1)其中max和min分别表示样本的最大值和最小值。
这可以标准化为0.1-0.9