如何让我的网络更多的表演吗?

1视图(30天)

显示旧的评论

朱塞佩•D中保 2020年12月9日

0
链接

这个问题直接联系

//www.tianjin-qmedu.com/matlabcentral/answers/688679-how-to-make-my-network-more-performing

回答: Prateek拉伊 2021年9月13日

大家好,我是建立一个神经网络预测的无功功率高压/ MV变电站的无功功率。

我开始使用matlab允许我创建的脚本使用机器学习工具来训练神经网络。

我用tansig插入额外的隐层功能,增加了验证检查的价值。

你能给我建议如何改善网络的性能?

认为输入是由一个矩阵的列和70080行,第一列是由季度有功功率值,其余行识别,天,小时,显示星期和索引的类型的一天(节日,放假前或工作日)。

目标由一列70080行与无功功率值。

是否有意义使用隐藏层神经元的数量吗?

还有其他类型的网络,可以帮助我得到更好的结果吗?

我训练算法可以使用什么呢?

                         %解决一个投入产出时间延迟神经网络时间序列问题
                        
                         %神经时间序列生成的脚本程序。
                        
                         % 03 - 12月- 2020 16:01:08创建
                        
                         %
                        
                         %这个脚本假设这些变量定义:
                        
                         %
                        
                         %输入,输入时间序列。
                        
                         %目标——目标时间序列。
                        
                         负载(“输入”);
                        
                         负载(“目标”);
                        
                         X = tonndata(输入、假假);
                        
                         T = tonndata(目标,假,假);
                        
                         %选择培训功能
                        
                         %为所有培训功能的列表类型:帮助nntrain
                        
                         %的trainlm通常是最快的。
                        
                         %的trainbr花费更长的时间,但是这可能是更好的具有挑战性的问题。
                        
                         %的trainscg使用更少的内存。在低内存的情况下适用。
                        
                         trainFcn =“trainlm”;% Levenberg-Marquardt反向传播。
                        
                         %创建一个延时网络
                        
                         inputDelays =一24;
                        
                         hiddenlayer1。大小= 48;
                        
                         hiddenlayer1。transferfcn =“logsig”;
                        
                         hiddenlayer2。大小= 24;
                        
                         hiddenlayer2。transferfcn =“tansig”;
                        
                         hiddenLayerSize = [hiddenlayer1.size, hiddenlayer2.size];
                        
                         网= timedelaynet (inputDelays hiddenLayerSize trainFcn);
                        
                         %选择输入和输出前/后处理功能
                        
                         %对所有处理功能的列表类型:帮助nnprocess
                        
                         net.input。processFcns = {“removeconstantrows”,“mapminmax”};
                        
                         net.output。processFcns = {“removeconstantrows”,“mapminmax”};
                        
                         %为训练和仿真数据
                        
                         %的函数PREPARETS准备timeseries数据为一个特定的网络,
                        
                         %转移最少填满时间的输入状态和层
                        
                         %。使用PREPARETS可使你保持原始时间序列数据
                        
                         %不变,而轻松地定制它与不同的网络
                        
                         %的延迟,与开环或闭环反馈模式。
                        
                         [x, xi,人工智能,t] = preparets(净,x, t);
                        
                         %设置部门的数据进行训练、验证测试
                        
                         %为所有数据部门功能的列表类型:帮助nndivision
                        
                         网。divideFcn =“dividerand”;%将随机数据
                        
                         网。divideMode =“时间”;%划分每个样本
                        
                         net.divideParam。trainRatio = 70/100;
                        
                         net.divideParam。valRatio = 15/100;
                        
                         net.divideParam。testRatio = 15/100;
                        
                         %设置最大失败
                        
                         net.trainParam。max_fail = 100;
                        
                         %选择性能函数
                        
                         %为所有性能函数的列表类型:帮助nnperformance
                        
                         网。performFcn =mse的;%均方误差
                        
                         %选择情节功能
                        
                         %的所有情节功能类型:帮助nnplot
                        
                         网。plotFcns = {“plotperform”,“plottrainstate”,“ploterrhist”,…
                        
                         “plotregression”,“plotresponse”,“ploterrcorr”,“plotinerrcorr”};
                        
                         %训练网络
                        
                         (净,tr) =火车(净,x, t, xi, ai);
                        
                         %测试网络
                        
                         净(y = x, xi, ai);
                        
                         e = gsubtract (t、y);
                        
                         性能=执行(净、t、y);
                        
                         %计算训练、验证和测试性能
                        
                         trainTargets = gmultiply (t, tr.trainMask);
                        
                         valTargets = gmultiply (t, tr.valMask);
                        
                         testTargets = gmultiply (t, tr.testMask);
                        
                         trainPerformance =执行(净trainTargets y);
                        
                         valPerformance =执行(净valTargets y);
                        
                         testPerformance =执行(净testTargets y);
                        
                         %查看网络
                        
                         视图(净)
                        
                         %的情节
                        
                         %取消这些线,使各种各样的情节。
                        
                         %,plotperform (tr)
                        
                         %,plottrainstate (tr)
                        
                         %,ploterrhist (e)
                        
                         %,plotregression (t, y)
                        
                         %,plotresponse (t, y)
                        
                         %,ploterrcorr (e)
                        
                         %,plotinerrcorr (x, e)
                        
                         %提前预测网络
                        
                         %对于某些应用程序有助于早期预测一个步伐。
                        
                         %原网络收益预测y (t + 1)在同一时间
                        
                         % x (t + 1)。对于某些应用程序,如决策、
                        
                         %有助于预测y (t + 1) x (t)是可用的,但是之前
                        
                         %实际y (t + 1)。网络可以返回它的输出
                        
                         %步伐早期通过移除一个延迟,使其最小抽头延迟是现在
                        
                         % 0,而不是1。新的网络返回相同的输出与原始
                        
                         %网络,但输出左移一个步伐。
                        
                         网= removedelay(净);
                        
                         nets.name = [net.name”——预测领先一步”];
                        
                         视图(网)
                        
                         [X,切除酶,ais, ts) = preparets(网,X, T);
                        
                         y =网(xs,切除酶,ais);
                        
                         stepAheadPerformance =执行(网、t、y);
                        
                         %的部署
                        
                         变化百分比(假)值(真),使下面的代码块。
                        
                         %的更多信息,请参见每一代的帮助功能。
                        
                         如果(真正的)
                        
                         %为应用程序生成MATLAB函数神经网络
                        
                         %部署在MATLAB脚本或MATLAB编译器和生成器
                        
                         %的工具,或者只是检查计算你的训练有素的神经
                        
                         %网络执行。
                        
                         genFunction(净,“myNeuralNetworkFunction”);
                        
                         y = myNeuralNetworkFunction (x, xi, ai);
                        
                         结束
                        
                         如果(假)
                        
                         %为神经网络代码生成matrix-only MATLAB函数
                        
                         %与MATLAB编码器工具生成。
                        
                         genFunction(净,“myNeuralNetworkFunction”,“MatrixOnly”,“是的”);
                        
                         :x1 = cell2mat (x (1));
                        
                         ξ1 = cell2mat(ξ(1:));
                        
                         y = myNeuralNetworkFunction (x1,ξ1);
                        
                         结束
                        
                         如果(假)
                        
                         %为模拟或部署与生成模型图万博1manbetx。
                        
                         %仿万博1manbetx真软件编码器工具。
                        
                         gensim(净);
                        
                         结束