课件：基于神经网络的预测.ppt

神经网络及其应用,5月20日,第十四章 基于神经网络的预测,系统建模、辨识和预测,线性系统预测问题 时域：ARMA模型 频域：传递函数矩阵 非线性系统预测问题 静态：多层前向网络 动态：具有内部反馈的动态网络,基于神经网络的预测原理,正向建模 逆向建模,电力系统负荷预报,将一周的7天，每天都看做一种类型 输入：15维向量 前一天每隔2小时测量一次的电力负荷，采用 公式 进行归一化 最低气温、最高气温 和天气特征（晴天、阴天和下雨对应0，0.5，1） 输出：12维向量,用电负荷及气象特征,构建网络：BP网络,输入维数：n1=15（取值范围0-1） 隐含层神经元个数n2=2n1+1=31-tansig 输出层神经元个数：12-logsig 训练参数： 训练函数：trainlm；学习函数：learngdm； 性能函数：mse；训练次数：1000； 训练目标：0.01；学习率：0.1 例一：基于BP网络的电力系统负荷预报,河道浅滩演变预测,选取影响因子（尽量不相关） 上游来流量Q 上游输沙量G 下游水位ZD 河床形态 目标 浅滩断面年内最小水深Hmin 年平均预计厚度Z,样本数据,构建网络：BP网络,输入维数：n1=4（取值范围0-1） 隐含层神经元个数n2=916-tansig 输出层神经元个数：2-logsig 训练参数： 训练函数：trainlm；学习函数：learngdm； 性能函数：mse；训练次数：500； 例二：基于BP网络的河道浅滩演变预报,预测步骤,影响因素选取 原始数据归一化 隐藏层神经元个数实验 测试,构建网络：RBF网络,BP网络预测精度比较高，但训练误差收敛比较慢。 RBF网络直接根据P和T创建，速度快主要的影响因素spread 例三：基于RBF网络的河道浅滩演变预报,地震预报,输入向量：7个预报因子 目标向量 实际发生的震级,学习震例,构建网络：BP网络,输入维数：n1=7（取值范围0-1） 隐含层神经元个数n2=15-tansig 输出层神经元个数：1-logsig 训练参数： 训练函数：trainlm；学习函数：learngdm； 性能函数：mse；训练次数：1000； 例四：基于BP网络的地震预报,测试数据,地震分类（聚类）预测,分（聚）为三类：一般、中等和严重地震 地震活动指标为11项,地震活动指标年值,自组织竞争Kohonen网络,自组织竞争网络聚类预测,选取特征指标 根据样本集进行聚类（网络训练） 应用网络进行预测 例五：基于Kohonen网络的地震预测,交通运输能力预测,输入向量：8个主要影响因素,交通运输能力预测,目标向量：三个主要运量,广义回归神经网络GRNN,线性层比较特殊 nprod环节：纯线性组合,GRNN与RBF的区别,基于GRNN的货运预测,例六：基于GRNN的交通运输能力预测 数据归一化 创建网络 通过测试选择spread参数,股市预测,股市中的数据看做一个时间序列 前N个值作为输入 后M个值作为输出,股票数据,例七：基于RBF网络的股票预测,将3天的股票数据作为网络的输入向量 输出为当天的股票价格，M=1 样本个数K= L- （M+N）+1 = 7 中间层的神经元个数为50 Spread取1-5 5个样本用作训练 2个样本用作测试,财务失败预测,LVQ的网络结构,例八：基于LVQ网络的财务失败预测,输入：5个财务指标 输出：分为两类（破产公司/正常公司） 预设概率：0.5-0.5 竞争层神经元：8个（多个核心） 前10个样本做训练 后4个样本做测试,农作物虫情预测,例九：基于BP网络的农作物虫情预测,输入维数：n1=4（取值范围0-1） 隐含层神经元个数n2=9-tansig 输出层神经元个数：4-logsig 训练参数： 训练函数：trainlm；学习函数：learngdm； 性能函数：mse；训练次数：50 预测精度较差,小结,神经网络可用于受多个影响因素共同影响的指标的预测 针对不同的问题选择不同的网络类型 但影响因素的选择仍是关键,后面内容直接删除就行 资料可以编辑修改使用 资料可以编辑修改使用 资料仅供参考，实际情况实际分析,主要经营：课件设计，文档制作，网络软件设计、图文设计制作、发布广告等 秉着以优质的服务对待每一位客户，做到让客户满意！ 致力于数据挖掘，合同简历、论文写作、PPT设计、计划书、策划案、学习课件、各类模板等方方面面，打造全网一站式需求,感谢您的观看和下载,The user can demonstrate on a pr