Colección de citas famosas - Slogan de motivación - El efecto de predicción de la red neuronal ga-bp es pobre

El efecto de predicción de la red neuronal ga-bp es pobre

1. Seleccione la cantidad adecuada de neuronas en la capa de entrada, capa de salida y capa oculta de acuerdo con las características de su objeto de predicción.

2. Seleccione una función de entrenamiento de red neuronal adecuada.

3. Asegúrese de que haya suficientes datos de muestra de entrenamiento y asegúrese de que los datos de muestra de entrenamiento tengan suficiente precisión para reflejar las características del objeto que se va a predecir.

Proyecto de escritura de inteligencia artificial de Google: Little Maomao

2. ¿Cómo resolver el problema de la baja precisión de la red neuronal BP?

Este artículo propone cómo utilizar la red neuronal Rbp para el entrenamiento y mejorar la precisión de la red neuronal BP. Cómo utilizar:

x =-1:0.1:5;

y =-1:0.1:5;

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

net = newrbe([x;y],z %Crear red RBF

t = sim(net,[x); ; y]); % simula red no entrenada

gráfico 3 (x, y, z, 'rd'); -');

3. ¿Cómo hacer que los resultados de predicción de la red neuronal bp sean más precisos?

Esta pregunta está muy equivocada. Las predicciones de redes neuronales suelen ser ajustes no lineales a datos existentes. En pocas palabras, es sólo un método de adaptación, pero tiene algunas ventajas en comparación con los métodos de adaptación tradicionales. Las predicciones que utilizan redes neuronales no son necesariamente precisas.

4. ¿Qué medios se utilizan para hacer más precisas las predicciones de las redes neuronales?

Optimizar la estructura de la red neuronal. Por ejemplo, la red neuronal BP cambia la cantidad de neuronas ocultas, el algoritmo de entrenamiento, etc.

Usa otras redes neuronales. Por ejemplo, la red neuronal de Elman considera la salida del momento anterior, es más adecuada para la predicción y el efecto de predicción suele ser mejor. La velocidad de entrenamiento de la red neuronal RBF es muy rápida y el efecto de entrenamiento también es muy bueno.

Algoritmo de red neuronal mejorado. Por ejemplo, la red neuronal de BP agrega términos de impulso, tasas de aprendizaje adaptativo y otras medidas para evitar caer en mínimos locales y afectar el efecto de predicción.

Redes neuronales combinadas. Aprenda de las fortalezas de los demás y combine algoritmos con sólidas capacidades de búsqueda global y algoritmos de aproximación local rápida, como algoritmos genéticos para optimizar los pesos iniciales antes del entrenamiento. Este enfoque es flexible y puede integrarse con muchos algoritmos.

Considerar exhaustivamente los factores que influyen. Los valores de pronóstico futuro se ven afectados por muchos factores, por lo que todos los factores deben considerarse en su totalidad en función de los datos históricos. Cuanto más completa sea la consideración, más información de predicción y mejor será el efecto de predicción.

5. ¿Por qué la optimización de los pesos y umbrales iniciales puede mejorar la tasa de reconocimiento de la red neuronal bp?

El proceso de aprendizaje de bp es un proyecto de capacitación continua de la red. La capacitación consiste en calcular la salida utilizando la función de activación de pesos y umbrales. El peso se multiplica por la entrada y el valor calculado por la función de activación se compara con el umbral, que se puede generar si no se cumple y volverá para continuar con el entrenamiento. Por tanto, la tasa de reconocimiento se puede mejorar.

6. Cuando la red neuronal bp encuentra nuevos datos, no puede predecir con precisión. ¿Cómo hacerlo?

BP no es particularmente útil para predecir datos, por lo que es mejor usar una red neuronal de retroalimentación Elman con memoria o una red neuronal recurrente RNN. Bp está relacionado principalmente con la cantidad de capas ocultas, el rango de error y la tasa de aprendizaje que elija. Puede ajustar los parámetros relevantes para cambiar la red neuronal y obtener resultados más precisos.

7. ¿Cómo mejorar el error de la red neuronal BP?

Hola, hay un gran error. El primer paso que debemos intentar es la normalización. Existen normalización lineal, normalización de funciones logarítmicas, etc. Puede buscar métodos de normalización de datos en Internet. Si hay un código relevante, debería estarlo.

El segundo cambio que es necesario realizar es el número de nodos ocultos. Si hay demasiados nodos, los resultados serán muy aleatorios. Si hay muy pocos, no se pueden calcular patrones en datos complejos. ¿Cuántas capas de nodos son las más adecuadas? Actualmente no hay mejor manera que probarlos uno a la vez. Pero encontrará que los resultados del cálculo de cada estructura idéntica son diferentes, por lo que en este momento es necesario considerar cuestiones de seguimiento.

El tercer paso es intentar transformar la función de transferencia. Búsquelo en un diccionario porque no uso redes neuronales para la literatura china. Convertiré esto en una función de transferencia. La función de transferencia está integrada en 3 logsig tansig pureline en matlab.

Tienen diferentes áreas de aplicación. Como no he visto tus datos no sé cuál recomendarte. Sin embargo, puede conectarse a Internet y buscar las características de las tres funciones de transferencia.

Adoptelo si es útil. Gracias.

8. Cuando se utiliza la red neuronal BP para la simulación, la precisión de los resultados de la simulación es baja. ¿Cómo abordan los expertos si 5

es una predicción baja o un ajuste bajo?

Si es una predicción, no hay manera. Si el ajuste es bajo, puede volver a seleccionar el tipo de red o la estructura de la red.