2. 選擇合適的神經網絡訓練函數。
3. 保證足夠的訓練樣本數據,並且確保這個訓練樣本數據有足夠的精度能夠反映需要預測的對象的特性。
谷歌人工智能寫作項目:小發貓
2、BP神經網絡的精度低,怎麽解決?
建議用RBP神經網絡進行訓練如何提高bp神經網絡的準確率。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); %創建壹個RBF網絡
t=sim(net,[x;y]);%仿真未經訓練的網絡net
plot3(x,y,z,'rd');hold on
plot3(x,y,t,'b-');
3、怎麽才能使bp神經網絡預測的結果更準確
這個問的太哪個了吧,神經網絡預測壹般也就是對已有數據進行非線性擬合而已,簡單的說,他只是壹個擬合方法,只是與傳統的擬合方法相比有壹些優點。用神經網絡預測也不會是壹定很非常準確的。
4、采用什麽手段使神經網絡預測更加準確
優化神經網絡結構。如BP神經網絡改變隱層神經元數量、訓練算法等;
使用其他神經網絡。如Elman神經網絡考慮了前壹時刻的輸出,比較適合用於預測,預測效果往往更好。RBF神經網絡的訓練速度很快,訓練效果也很好。
改進的神經網絡算法。例如BP神經網絡增加動量項、自適應學習率等措施,防止陷入局部極小影響預測效果。
組合神經網絡。取長補短,將全局搜索能力強的算法與局部逼近快的算法組合起來,如遺傳算法優化初始權值,再訓練。這種方法比較靈活,可以和許多算法融合。
全面考慮影響因素。未來的預測值受許多因素影響,所以應該在基於歷史數據的基礎上,充分考慮各種因素,考慮得越周全,預知信息越多,預測效果壹般更好。
5、優化初始權值及閾值為什麽可以提高bp神經網絡識別率
bp的學習過程就是不斷的網絡訓練工程,而訓練的就是利用權值和閾值的激活函數計算輸出的。權值與輸入相乘,經過激活函數計算出的值與閾值比較,達到閾值的可輸出,不滿足的則返回繼續訓練。因此可以提高識別率。
6、bp神經網絡遇到新的數據,就預測不準,怎麽弄?
預測數據的話BP不是特別好用,最好用Elman反饋神經網絡或者RNN循環神經網絡,這些有記憶功能的網絡比較好用。bp主要和妳選擇的隱含層數,和誤差範圍,學習率有關。妳可以調節相關參數來改變神經網絡,獲得更精確的結果。
7、BP神經網絡誤差如何提高
妳好,誤差大,第壹步需要嘗試的是做歸壹化處理。有線性歸壹化,有對數函數歸壹化等等,這個妳可以去網上搜索數據歸壹化方法,有相關的代碼,應該。
第二部需要做出的改動是隱層節點數量,如果節點數量太多,那麽結果的隨機性就會很大,如果太少,那麽復雜數據的規律計算不出來。多少層節點最合適,這個目前除了壹個壹個試沒有更好的辦法。但是妳會發現每壹個相同的結構計算出的結果卻不盡相同,這個時候就需要考慮後續的問題。
第三步嘗試,變換transfer function。麻煩妳查查字典,因為我不是用中文學的神經網絡。我姑且翻譯成傳輸函數。傳輸函數在matlab中內建了3中 pureline logsig tansig。分別有不同的應用範圍。因為沒看到妳的數據,我也不清楚具體應該推薦妳用哪壹種。不過妳可以去網上搜索壹下三種傳輸函數的特點。
如果有用請給“采納”謝謝。
8、BP神經網絡仿真時仿真結果準確率低。請問高手如何處理 5
是預測低還是擬合低?
如果是預測那沒辦法的,如果是擬合低,可以重新選擇網絡種類或者網絡結構