如何人工神经网络来预测下一个数值
newff函数建立BP神经网络，历史数据作为样本，例如前n个数据作为输入，输入节点为n。当前数据作为p，输出节点为1。隐层节点根据试凑法得到。
通过matlab的train函数，得到训练好的BP神经网络。再将当前预测点的前n个数据作为输入，输出即为当前的预测值。
谷歌人工智能写作项目：神经网络伪原创
请问：如何用人工神经网络来进行预测？ 35
用第1月到第25月的输入数据，和第1月到第25月的输出数据作为网络的训练数据，然后将你第26月的对应的输入作为网络的输入，就可以得出第26月的输出写作猫。
你可以在网上下个别人使用过的神经网络的模板或工具箱，修改成自己需要的就是了。
怎样用人工神经网络法预测二维色谱柱效 ？如题 谢谢了
摘要二维柱色谱系统是近年来迅速发展的新型色谱方法，柱效与主要影响因素的关系难以用传统方法建立定量模型。
本文采用基于变步长BP算法的人工神经网络，对高效微填充柱──毛细管柱构成的二维柱色谱系统建立了柱效与影响因素的权接拓朴模型，并用于柱效预测和操作条件优化中，取得了较好的效果。
1、前言现代气相色谱已广泛采用了毛细管柱，毛细管柱的分离效能高但柱容量低，直接进样极易造成进样过量，柱管也易被样品中的高沸点组分玷污。
因此，比较理想的方法是在毛细和柱前串接一支短填充柱，构成二维柱色谱系统。
由于二维柱色谱便于实现中心切割、溶剂切割、反吹等切换操作，有利于痕量杂质的测定、有利于保护主柱，并且可简化样品的预处理过程，故近年来这种新型的色谱方法发展十分迅速。
自八十年代起，中科院大连化物所国家色谱研究分析中心对二维柱色谱进行了大量研究工作，卢佩章院士开创性地提出了微填充柱──毛细管柱直接连接的新型系统。
根据这一思想，国振双等以美国PE公司SIGMAI气相色谱仪为基础，在原汽化室中安装了自行研制的高效微填充预柱与石英毛细管柱直接相连接，将一维柱色谱改装为二维柱色谱系统。
并以正构烷烃为样品建立了双柱系统的柱效评价实验方法，指出二维柱色谱系统的柱效主要由预柱柱温、主柱柱温、预柱间压差、预柱与主柱间的放空量所决定，但未建立柱效与因素之间的数学关系。
实际上，这种关系较为复杂，并不能找到一个简单的函数式来表示，如果用传统的建模方法来研究，通常难以奏效。
人工神经网络（ArtificialNeuralNetwork，简称ANN）是近年来迅速发展的研究热点，在生物科学、自动控制、化学工程等领域取得了很大的应用进展。
它是一种新型的黑箱方法，不需要了解输入输出之间的相互关系，其自学习功能能够“记忆”样本所含的信息，网络只是根据训练样本的数据来自动寻找相互关系，给所研究的系统以具体的数学表达，从而使系统的定量化优化和预测成为可能；并且由于其并行计算的性质，计算量不会因为维数增加而发生指数“爆炸”。
在研究系统内复杂关系的建模问题上，人工神经网络显示出其独特的优越性。
2、变步长BP算法人工神经网络我们采用的目前应用比较成熟且应用最广泛的三层BP神经网络模型，它能将样本的输入输出问题转化为一个非线性的优化问题，是从大量实验数据中总结规律的有力手段。
BP网络是由输入层、输出层和隐层所组成的前向连接模型，同层各节点互不连接，相邻层的节点通过权连接。输入层各点的输入信号经权重耦合到隐层的各点，由作用函数f(x)转换后再耦合到输出层的各点。
将输出信号与学习样本的目标数值进行比较，两者之间的误差利用“反传算法（BackpropagationLearningAlgorithm）”沿原连接通道返回，通过修改各层节点的连接权重，使误差达到最小。
权重修改公式为：式中：W为权重；t为训练次数；h和α分别为学习步长和记忆常数。
当所有样本输出值与目标期望值的之间的均方差RMS值满足要求时，停止迭代，网络训练完毕，各节点的连接权值就固定下来，同时也就得到了所研究对象的输入输出之间的拓朴关系，即建立了两者之间的数学定量关系。
利用训练好的网络即可方便地进行新样本的预测。
由于经典的BP算法存在着收敛速度慢、有局部最小问题等缺点，人们对其提出了一些改进方法，如添加惯性冲量、批处理学习样本、跳跃学习以及动态调整学习步长和记忆常数等。
我们所采用的是变步长ＢＰ算法，主要改进之处在于：（１）引入动态步长技术：根据样本的训练情况动态地增大或减小学习步长h。
在样本学习过程中，当RMS减小时自动增大h值（乘以一个大于1的常数因子a）；而当RMS增大时自动减小h值（乘以一个小于1的常数因子b）。
在一般情况下，常数a和b值的选取应使得（1-b）的值比（a-1）略大一些。
（２）加入偏置以稳定网络；3、样本及网络模型参数的选取3.1训练样本集及预测集的组织实验数据组成训练样本集与预测集。其中训练样本数为22个，预测集样本数为3个。
以预柱柱温、主柱柱温、预柱间压差、预柱与主柱间的放空量四个因素为输入向量，作为衡量柱效指标的二维柱色谱系统有效塔板数N为输出向量（教师信号）。
3.2变步长BP网络参数我们所采用的网络为带一个配置节点的4-6-1体系；学习步长h初值为0.2，记忆常数α为0.5；步长调整因子a取1.02，b取0.96；传递作用函数f(x)取Sigmoid函数，即：表1变步长BP神经网络训练样本及预测样本序号类别输入向量输出向量预柱柱温（℃）主柱柱温（℃）预柱间压差（kPa）柱间放空量（mL/s）塔板数N1训练样本1406084951.1呵呵1.73140100122104.7416060102138.55160801241108.76160100832482.8718060123838.681808082726.5918010010412064.91018013.315809.1111033.316162121053.315284131073.310978141093.310498151.3131501610133.37562171083.39349181082.52896191082.0648012081.5289211081.0108221080.57523预测样本18010010513707.724180100103.313931.22518013.315809.1由于研究的样本中最大最小值相差较大，而Sigmoid函数要求输入值范围在-2~+2之间、输出值范围在0~1之间，这样才能保证网络对样本具有足够的敏感性和良好的拟合性。
样本训练开始前，先用对数标准化方法将输入向量归一化至-2~+2之间、输出向量归一化至0~+1之间，对数标准化的方程为（设向量为V0，标准化合的向量为V）：（A和B的值由程序根据归一化目标自动求算）采用随机数矩阵进行权值矩阵的初始化，设置随机数生成器的最大最小输出为-3和+3。
值得注意的是，这里目标误差的设置是对于已标准化的数据而言的，在标准化数据还原时可能会导致误差的放大。
4、人工神经网络的训练和预测4.1变步长BP网络的训练设置网络的目标误差为0.05（这是通常情况所采用的值），利用VisualBasic编写的程序进行样本的训练，运行平台为Windows95，机型为Pentium166、16M内存。
经过约230秒的迭代运算，RMS值小于目标误差（注意此时是对已标准化的数据而言），网络训练完毕程序输出各种结果参数。此时对于每一样本，网络的输出值对目标值（实验值）的误差都基本小于目标误差0.05。
这样，我们就建立了二维柱色谱柱效与其四个影响因素之间的BP神经网络模型，这个模型是一个定量化了的拓朴权接模型，为进一步预测和优化提供了数学依据。
4.2利用BP神经网络进行柱效预测从数据可以看出，在进行不同因素条件下的柱效预测时，标准化向量的误差均小于网络训练的目标误差0.05；这说明神经网络较好地记忆了所学习样本中蕴藏的信息，训练完毕的网络较好地反映了二维柱色谱柱效（以有效塔板数来表示）与四个主要影响因素之间的定量关系。
另一方面，正如前面第2节所述，在对标准化（归一化）向量作还原时，可能会导致误差的放大，这也正是24号样本相对误差会达20%的原因，对实际的微填充柱──毛细管柱二维色谱系统，由于其本身的柱效很高，这样的误差还是可以接受的。
而且，这种误差应该还含有实验本身误差的因素在内。实际上，预测集中的样本是取自在前期实验基础上进一步寻优实验的数据。
根据小区间的进一步寻优试验，根据所得的有效塔板数的多少确定了实验所用的二维柱色谱系统其最佳操作条件为25号样本对应的操作条件：预柱温180℃、主柱温为120℃，预柱前压为10kPa，预柱和主柱间的放空量为3.3mL/s。
如果我们依据BP神经网络的预测结果，同样可以发现，25号样本的目标输出最大，其对应的操作条件应为最佳操作条件，两者结果完全一致。
5、结论（1）BP算法人工神经网络具有自组织、自学习和自适应能力，具有模拟多种函数的能力，包括非线性函数和分段函数等。
在用于预测二维柱色谱系统的柱效时，BP网络对样本元素间的复杂关系用权接拓朴结构进行了较好的摸拟，训练好的网络在预测不同条件下二维柱色谱系统的有效塔板数、优化二维柱色谱系统操作条件时，结果基本与实验值一致，预测精度较高，证明了方法的可行性。
（2）针对经典BP网络收敛速度慢、有局部最小问题的缺点，引入了变步长技术。实践证明这种根据样本学习情况动态地改变学习步长的方法有效地改善了收敛特性和速度。
（3）BP网络的样本组织，并不需要满足某种特定的条件。例如散布于文献中的数据资料、不够系统性的有残缺性的数据等只要准确可靠，都可以作为训练的样本。
（4）当然，BP网络的应用必须基于一定数量准确可靠的输入输出数据对组成的训练样本。
这就是说，BP算法作为一种有导师学习算法，适合于应用在有数据资料积累但不易用一般数学方法分析得到定量关系的场合，而不适合于资料严重缺乏的场合。详情请参考国家标准物质网。
BP人工神经网络预测 15
完全可以，神经网络就是这样用的，极其适用于描述难以给出具体的数学表达式的非线性映射。通过历史样本对网络的训练，可以使网络映射该非线性关系，从而进行可靠性很高的预测。
可以使用BP、Elman、RBF网络，这些网络效果较好。建议使用MATLAB编程，较为方便，因为该数学软件包含神经网络工具箱。如果你装了Matlab，可以运行下附件的例子试一下。
城市人口预测的其它预测方法
马尔萨斯(Malthus)模型:Malthus人口增长模型为:P(t)=P(t0)er(t-t0)。
式中，P(t)t年预测人口数，P(t0)为基期年人口数，r为人口年增长率。
显然，这个模型不是很精确，因为它忽略了有限的生存资源及空间、生产力水平、文化水平、传统意识等对出生率有重要影响的因素，简单假定了与出生率有的时间是常量，所以有必要修正此模型。
当然，若考虑因素过多，对所考虑因素的量化较复杂，则模型也就会十分复杂，使求解及分析模型极为困难甚至不可能，这样的模型将失去意义。因此，必须精练地选取所考虑因素，并对诸因素做尽可能简洁的数量化。
在人口基数小，增长速度快的情况下运用马尔萨斯(Malthus)模型一般比较合适。Logistic曲线模型:按指数增长公式推算出的人口增长过快，数量过大，不符合实际，人口不可能无限地按指数增长。
一般地，随人口总量的增长，口增长率往往会逐渐下降。
在人口指数模型的基础上增加一个与人口总量有关的衰减项，并对新得到的微分方程进行求解得到:Pt=Pm/(1+ea+bt)，这一曲线被称之为ogistic曲线，a、b、Pm为特定系数。
这一公式考虑到人口总数增长的有限性，且提出了人口总数增长的规律即随着人口总数的增长，人口增长率逐渐下降。缺点在于时间较长，人口数据变化大，式中参数值必然变化大，因此误差较大且不稳定。
系统动力学方法:系统动力学的模型是按照系统动力学理论建立起来的数学模型，它采用专用语言，借助计算机进行系统模拟，并通过运行得出由多项指标组合而成的预测值后，根据需要与可能选择最优的预测值和相应的实施方案。
系统动力学法是研究系统的动态行为和评价系统采用各种不同策略所产生的行动效果的行之有效的方法。它是预测人口的长期趋势、确定人口政策定性与定量相结合最先进的模拟实验技术，但也有缺点和困难之处。
主要表现在:①分析问题、收集资料、建立模型和求证的过程都要消耗一定的财力、物力和人力，还需要占用大量的计算机工作时间。②建模人的专业水平直接影响到模型的质量和结果。
由于人们对系统的基本结构缺乏足够的了解，在建模过程中对系统的结构往往会做一些简单化的假设。
③很难验证预测结果的真实性，因为建模者的主导思想和诸多变量都是影响预测结果的，而这些影响因素的正确性需经过实践才能得到验证。
人工神经网络预测法:人工神经网络理论是一种人工智能理论，它力图模拟人脑的一些基本特征，可以进行并行计算、分布式信息存储，具有很强的自适应性和自组织性。
人工神经网络预测法特别是能处理任意类数据，这是其它传统方法所无法比拟的。它通过不断的学习，能够从未知模式的大量复杂数据中发现其规律，进行模拟、预测。
20世纪80年代以来，人们利用人工神经网络进行非线性复杂系统模拟一直是一种非常有效的手段，就方法和原理的本身来看是非常科学合理的。
但是要使预测的结果合理可靠，因素的选取、隐含层的设计、原始数据选择的可靠性都将对预测产生极大的影响。
人工神经网络预测 20
我的毕业论文也是做神经网络预测的，关于这方面的程序或论文都挺多的，上网查一下，然后理解一下基本就可以了，但如果想做的更深的话就要系统的学习。
科技创新贵在新，你如果只是简单的看书的话可能出不来新的东西，毕竟短时间内你是找不出神经网络的缺陷在哪里，应如何创新。因为人们已经找出了针对已经发现的神经网络缺陷的解决方法。
如果有需要的话可以邮件联系，顺便探讨一下，我的邮箱是.。
基于改进的BP人工神经网络算法的软土地基沉降预测
改进的BP神经网络预测需要等间隔数据，利用Spline插值点进行建模。
为了和前述方法的预测效果对比，仍选取550～665d（共24个样本数据）的沉降量作为训练样本，预留670～745d（共16个样本数据）的沉降量作为对训练好的BP人工神经网络的检验样本。
以每相邻的连续4个沉降量（时间间隔Δt=5d）作为一个输入样本（S1，S2，S3，S4），紧邻的第5个沉降量作为目标样本（S5），这样，利用24个原始数据点，构建了21组训练样本输入向量。
每组训练样本的输入层单元数为n=4，输出层单元数为q=1，又隐层单元数p的确定公式为温州浅滩软土工程特性及固结沉降规律研究式中：a为1～10之间的常数。由式（5.57）确定隐层神经元数为p=3～12。
其具体值将通过BP人工神经网络训练误差来判断，取网络误差最小时对应的隐层神经元数。
本书基于MATLAB7.1编制了改进的BP神经网络程序，对标准的BP人工神经网络算法采取了增加动量项法和自适应调节学习速率法两点改进，此外，对输入输出数据进行了尺度变换（归一化处理），变换后可防止因净输入的绝对值过大而使神经元输出饱和，继而使权值调整进入误差曲面的平坦区。
输入输出数据变换为[0，1]区间内的值的归一化预处理变换式为温州浅滩软土工程特性及固结沉降规律研究式中：xi为输入或输出数据；xmin、xmax为最值；为输入或输出数据的归一化值。
BP神经网络模型的训练曲线如图5.17所示。本书所建立的改进的BP神经网络模型之拟合/预测值与实测值列于表5.13，拟合/预测曲线与实测曲线对比如图5.18所示，其残差图如图5.19所示。
由表5.13和图5.18、5.19可知，改进的BP神经网络模型预测结果的平均残差为0.1cm，平均相对误差为0.06%，拟合及预测效果很好。
但是与前面几种预测方法不同的是，改进的BP人工神经网络模型的预测值略小于实测值，随着预测时间远离训练样本，这将使结果偏于不安全，所以，建议该法用于短、中期预测。
同时，为了使后期预测精度更高，应不断更新训练样本向量集。
图5.17N5+850断面BP神经网络训练曲线图5.18N5+850断面改进的BP人工神经网络模型预测曲线与实测曲线对比图5.19N5+850断面改进的BP人工神经网络模型预测残差图表5.13改进的BP神经网络预测值与实测值对比。
运用AR模型进行预测与人工神经网络进行预测的区别在哪里？
。
AR模型是一种线性预测，即已知N个数据，可由模型推出第N点前面或后面的数据（设推出P点），所以其本质类似于插值，其目的都是为了增加有效数据，只是AR模型是由N点递推，而插值是由两点（或少数几点）去推导多点，所以AR模型要比插值方法效果更好。
而用人工神经网络进行预测，构建的网络模型是一种非线性函数，推算出预测值。在速度上比AR慢，但是每个数据可以有几个数据点组成，而AR只能是每个数据有一个数据点。
