elman神经网络预测matlab代码（matlab43个神经网络案例分析）

今天给各位分享elman神经网络预测matlab代码的知识，其中也会对matlab43个神经网络案例分析进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

本文目录一览：

• 1、MATLAB神经网络30个案例分析的图书目录
• 2、elman神经网络能够解决的问题,还有其他什么网络能够更好的解决
• 3、用BP或elman神经网络实现风速预测程序怎么写
• 4、ga-bp神经网络预测效果不好
• 5、在matlab中怎样添加bpnet这个神经网络代码。

MATLAB神经网络30个案例分析的图书目录

第1章 P神经网络的数据分类——语音特征信号分类

第2章 BP神经网络的非线性系统建模——非线性函数拟合

第3章 遗传算法优化BP神经网络——非线性函数拟合

第4章 神经网络遗传算法函数极值寻优——非线性函数极值寻优

第5章 基于BP_Adaboost的强分类器设计——公司财务预警建模

第6章 PID神经元网络解耦控制算法——多变量系统控制

第7章 RBF网络的回归——非线性函数回归的实现

第8章 GRNN的数据预测——基于广义回归神经网络的货运量预测

第9章 离散Hopfield神经网络的联想记忆——数字识别

第10章 离散Hopfield神经网络的分类——高校科研能力评价

第11章 连续Hopfield神经网络的优化——旅行商问题优化计算

第12章 SVM的数据分类预测——意大利葡萄酒种类识别

第13章 SVM的参数优化——如何更好的提升分类器的性能

第14章 SVM的回归预测分析——上证指数开盘指数预测

第15章 SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测

第16章 自组织竞争网络在模式分类中的应用——患者癌症发病预测

第17章SOM神经网络的数据分类——柴油机故障诊断

第18章Elman神经网络的数据预测——电力负荷预测模型研究

第19章 概率神经网络的分类预测——基于PNN的变压器故障诊断

第20章 神经网络变量筛选——基于BP的神经网络变量筛选

第21章 LVQ神经网络的分类——乳腺肿瘤诊断

第22章 LVQ神经网络的预测——人脸朝向识别

第23章 小波神经网络的时间序列预测——短时交通流量预测

第24章 模糊神经网络的预测算法——嘉陵江水质评价

第25章 广义神经网络的聚类算法——网络入侵聚类

第26章 粒子群优化算法的寻优算法——非线性函数极值寻优

第27章 遗传算法优化计算——建模自变量降维

第28章 基于灰色神经网络的预测算法研究——订单需求预测

第29章 基于Kohonen网络的聚类算法——网络入侵聚类

第30章 神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类

elman神经网络能够解决的问题,还有其他什么网络能够更好的解决

还可以使用GRNN神经网络，效果非常好，并且训练速度非常快。广义回归神经网络GRNN：径向基神经元和线性神经元可以建立广义回归神经网络，它是径RBF网络的一种变化形式，经常用于函数逼近。在某些方面比RBF网络更具优势。

在MATLAB中，直接使用net=newgrnn(P,T,spread)就能以非常快的速度设计出一个GRNN网络，其进行训练及预测时，效果非常好，不会比elman神经网络差。扩展常数SPREAD不能太小，才能使部分径向基神经元能够对输入向量所覆盖的区间产生相应，但也不能太大，否则计算困难。可以通过试凑来获得最佳扩展常数。

用BP或elman神经网络实现风速预测程序怎么写

神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。

生物神经网络：一般指生物的大脑神经元，细胞，触点等组成的网络，用于产生生物的意识，帮助生物进行思考和行动。

人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

人工神经网络：是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。

ga-bp神经网络预测效果不好

。

1. 根据你的预测对象的特性选取合适的输入层、输出层和隐层神经元数目。

2. 选择合适的神经网络训练函数。

3. 保证足够的训练样本数据，并且确保这个训练样本数据有足够的精度能够反映需要预测的对象的特性。

谷歌人工智能写作项目：小发猫

2、BP神经网络的精度低，怎么解决？

建议用RBP神经网络进行训练如何提高bp神经网络的准确率。使用方法：

x=-1:0.1:5;

y=-1:0.1:5;

z=x.^2.*y-0.1*x+2*y;

net=newrbe([x;y],z); %创建一个RBF网络

t=sim(net,[x;y]);%仿真未经训练的网络net

plot3(x,y,z,'rd');hold on

plot3(x,y,t,'b-');

3、怎么才能使bp神经网络预测的结果更准确

这个问的太哪个了吧，神经网络预测一般也就是对已有数据进行非线性拟合而已，简单的说，他只是一个拟合方法，只是与传统的拟合方法相比有一些优点。用神经网络预测也不会是一定很非常准确的。

4、采用什么手段使神经网络预测更加准确

优化神经网络结构。如BP神经网络改变隐层神经元数量、训练算法等；

使用其他神经网络。如Elman神经网络考虑了前一时刻的输出，比较适合用于预测，预测效果往往更好。RBF神经网络的训练速度很快，训练效果也很好。

改进的神经网络算法。例如BP神经网络增加动量项、自适应学习率等措施，防止陷入局部极小影响预测效果。

组合神经网络。取长补短，将全局搜索能力强的算法与局部逼近快的算法组合起来，如遗传算法优化初始权值，再训练。这种方法比较灵活，可以和许多算法融合。

全面考虑影响因素。未来的预测值受许多因素影响，所以应该在基于历史数据的基础上，充分考虑各种因素，考虑得越周全，预知信息越多，预测效果一般更好。

5、优化初始权值及阈值为什么可以提高bp神经网络识别率

bp的学习过程就是不断的网络训练工程，而训练的就是利用权值和阈值的激活函数计算输出的。权值与输入相乘，经过激活函数计算出的值与阈值比较，达到阈值的可输出，不满足的则返回继续训练。因此可以提高识别率。

6、bp神经网络遇到新的数据，就预测不准，怎么弄？

预测数据的话BP不是特别好用，最好用Elman反馈神经网络或者RNN循环神经网络，这些有记忆功能的网络比较好用。bp主要和你选择的隐含层数，和误差范围，学习率有关。你可以调节相关参数来改变神经网络，获得更精确的结果。

7、BP神经网络误差如何提高

你好，误差大，第一步需要尝试的是做归一化处理。有线性归一化，有对数函数归一化等等，这个你可以去网上搜索数据归一化方法，有相关的代码，应该。

第二部需要做出的改动是隐层节点数量，如果节点数量太多，那么结果的随机性就会很大，如果太少，那么复杂数据的规律计算不出来。多少层节点最合适，这个目前除了一个一个试没有更好的办法。但是你会发现每一个相同的结构计算出的结果却不尽相同，这个时候就需要考虑后续的问题。

第三步尝试，变换transfer function。麻烦你查查字典，因为我不是用中文学的神经网络。我姑且翻译成传输函数。传输函数在matlab中内建了3中 pureline logsig tansig。分别有不同的应用范围。因为没看到你的数据，我也不清楚具体应该推荐你用哪一种。不过你可以去网上搜索一下三种传输函数的特点。

如果有用请给“采纳”谢谢。

8、BP神经网络仿真时仿真结果准确率低。请问高手如何处理 5

是预测低还是拟合低？

如果是预测那没办法的，如果是拟合低，可以重新选择网络种类或者网络结构

在matlab中怎样添加bpnet这个神经网络代码。

bp是训练算法的一种，你首先需要确定一个神经网络结构，这种结构可以是feed forward, layer recurrent, elman等等。首先你需要先初始化一个神经网络，net = newff(Input, target, layerConfig).然后使用相应的Back Propagation算法。

比如：

net.trainFcn = 'trainscg'。

你可以去matlab帮助文件里面搜索trainscg，然后就会出来所有的优化算法，大多数是BP的。

然后就可以使用, net = train(net, input, target)，来训练神经网络，神经网络训练就会用你刚刚定义的算法。

然后可以使用sim(net, testInput)，来试验神经网络输出。

关于elman神经网络预测matlab代码和matlab43个神经网络案例分析的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。