时间序列bp神经网络python实现

1、 创建两层的BP网络：net = newff([1998 2009],[100 1],{'tansig' 'purelin'});net.trainparam.show=50; %每次循环50次 net.trainParam.epochs = 500; %最大循环500次 net = train(net,P,T); %对网络进行反复训练 只给出了一部分程序，其余的QQ传给你，留你的QQ。

4、 bp神经网络预测模型通过过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。 是一种应用为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。 logistics回归模型是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。

2、 示例程序见附件，其为一个简单的时间序列预测算例。 其实所有的预测问题，本质都是一样的，通过对样本的学习，将网络训练成一个能反映时间序列内部非线性规律的系统，最终应用于预测。