㈠ BP神經網路預測，不會看結果，請大神幫忙，謝謝
隱藏層神經元個數，你慢慢調試到最佳就好，雖然有經驗公式也不一定有用。
你輸入輸出有12年的數據，但是你把這12年數據，其中多少年的數據拿來做網路訓練用，多少年的拿來測試用呢？你沒說明啊
你應該是拿3年數據進行網路訓練，9年拿來測試網路了，所以有九年的結果。建議你最好前九年數據拿來訓練網路，最後三年用來測試網路，輸出結果。
望採納，有問題繼續討論
㈡ BP神經網路做數據預測，預測出來結果感覺不對，求大神指導
作預測，曲線要擬合。看理論值與實際的相關程度。你的相關系數肯定小，難以有理想結果！
㈢ 用神經網路研究期貨價格
中國的垃圾教育。我說怎麼這么多研究生找不到工作呢。
㈣ 什麼是BP神經網路
誤差反向傳播（Error Back Propagation, BP）演算法
1、BP演算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。
1）正向傳播：輸入樣本－>輸入層－>各隱層（處理）－>輸出層
注1：若輸出層實際輸出與期望輸出（教師信號）不符，則轉入2）（誤差反向傳播過程）
2）誤差反向傳播：輸出誤差（某種形式）－>隱層（逐層）－>輸入層
其主要目的是通過將輸出誤差反傳，將誤差分攤給各層所有單元，從而獲得各層單元的誤差信號，進而修正各單元的權值（其過程，是一個權值調整的過程）。
注2：權值調整的過程，也就是網路的學習訓練過程（學習也就是這么的由來，權值調整）。
2、BP演算法實現步驟（軟體）：
1）初始化
2）輸入訓練樣本對，計算各層輸出
3）計算網路輸出誤差
4）計算各層誤差信號
5）調整各層權值
6）檢查網路總誤差是否達到精度要求
滿足，則訓練結束；不滿足，則返回步驟2）
3、多層感知器（基於BP演算法）的主要能力：
1）非線性映射：足夠多樣本－>學習訓練
能學習和存儲大量輸入－輸出模式映射關系。只要能提供足夠多的樣本模式對供BP網路進行學習訓練，它便能完成由n維輸入空間到m維輸出空間的非線性映射。
2）泛化：輸入新樣本（訓練時未有）－>完成正確的輸入、輸出映射
3）容錯：個別樣本誤差不能左右對權矩陣的調整
4、標准BP演算法的缺陷：
1）易形成局部極小（屬貪婪演算法，局部最優)而得不到全局最優；
2）訓練次數多使得學習效率低下，收斂速度慢（需做大量運算）；
3）隱節點的選取缺乏理論支持；
4）訓練時學習新樣本有遺忘舊樣本趨勢。
注3：改進演算法—增加動量項、自適應調整學習速率（這個似乎不錯)及引入陡度因子
㈤ bp神經網路預測黃金期貨可信嗎
有一定的風險 還是選擇一種穩妥起見的比較好
㈥ BP神經網路預測，預測結果與樣本數據的理解。
輸入節點數是3，說明輸入向量的行數m=3，你給的樣本只有1行，是不是不全？輸出節點只有一個，說明每3個輸入數據對應一個預測的輸出數據。
其實樣本數量很少，就不需要訓練那麼多次了，訓練了也白訓練。你問「這樣的預測結果代表著什麼？」，你也沒說這些數據在現實中是什麼，怎麼會知道呢。
㈦ 為什麼我的BP神經網路的預測輸出結果幾乎是一樣的呢
最大的可能性是沒有歸一化。具體原因見下：
下面這個是經典的Sigmoid函數的曲線圖：
如果不進行歸一化，則過大的輸入x將會導致Sigmoid函數進入平坦區，全部趨近於1，即最後隱層的輸出全部趨同。輸出層是個purelin，線性組合後的輸出層輸出當然也全是幾乎相同的了。
使用matlab進行歸一化通常使用mapminmax函數，它的用法：
[Y,PS] = mapminmax(X,YMIN,YMAX)——將數據X歸一化到區間[YMIN,YMAX]內，YMIN和YMAX為調用mapminmax函數時設置的參數，如果不設置這兩個參數，這默認歸一化到區間[-1, 1]內。標准化處理後的數據為Y，PS為記錄標准化映射的結構體。我們一般歸一化到（0,1）區間內。
㈧ 請問如何用matlab建立人工bp神經網路模型，來對期貨未來的價格變化作出預測急求，在線等。謝謝大神。。
這些事其實很多年前就有很多人做，但是成功的好像沒有。國內期貨市場成交量比較弱,甚至還達不到弱有效市場假說，所以利用概率分布和遺傳演算法很難找到長久的贏利方法。
㈨ BP演算法、BP神經網路、遺傳演算法、神經網路這四者之間的關系
這四個都屬於人工智慧演算法的范疇。其中BP演算法、BP神經網路和神經網路
屬於神經網路這個大類。遺傳演算法為進化演算法這個大類。
神經網路模擬人類大腦神經計算過程，可以實現高度非線性的預測和計算，主要用於非線性擬合，識別，特點是需要「訓練」，給一些輸入，告訴他正確的輸出。若干次後，再給新的輸入，神經網路就能正確的預測對於的輸出。神經網路廣泛的運用在模式識別，故障診斷中。BP演算法和BP神經網路是神經網路的改進版，修正了一些神經網路的缺點。
遺傳演算法屬於進化演算法，模擬大自然生物進化的過程：優勝略汰。個體不斷進化，只有高質量的個體（目標函數最小（大））才能進入下一代的繁殖。如此往復，最終找到全局最優值。遺傳演算法能夠很好的解決常規優化演算法無法解決的高度非線性優化問題，廣泛應用在各行各業中。差分進化，蟻群演算法，粒子群演算法等都屬於進化演算法，只是模擬的生物群體對象不一樣而已。