预测使用NARX网络

21日视图(30天)

显示旧的评论

佩德罗 2013年5月22日

0
链接

这个问题直接联系

//www.tianjin-qmedu.com/matlabcentral/answers/76665-predictions-using-narx-network

回答: 丹 2016年10月1日

答:接受格雷格·希斯

我想建立一个网络做一些长期的预测。我的数据是由一个输入和目标产生超过50年(约3500点的数据)。起初我使用GUI来快速得到一个网络使用默认值。网络反应似乎不错,但误差相关性和输入错误划掉相关性似乎(在这里我从阅读理解和文档,峰值应该在0滞后)。我试着调整延迟根据我读其他使用相关性的问题,但我完全不理解这是如何工作的。我在哪里找到正确的数量的延迟?

我有另一个问题是长期预测。使用GUI使用大约一半的数据训练网络,网络返回一个很好的近似(很少的输出之间的误差和目标)。然后在接下来的选项卡中我使用了测试网络和使用剩余的点是否可以预测的数据。我希望,在某一时刻输出之间的误差和目标增长但我通常会是一个出色的结果,输出似乎稍微转移目标。(看起来像网络测试)时学到的一切

我怎么能正确形式之外的预测数据?

我希望我很清楚在我的查询。

0评论
显示1年长的评论藏1年长的评论

登录置评。

在回答这个问题。

接受的答案

格雷格·希斯 2013年5月24日

1
链接

直接链接到这个答案

//www.tianjin-qmedu.com/matlabcentral/answers/76665-predictions-using-narx-network answer_86519

你不解释你是如何获得相关功能。

设计一个NARX之前,获得目标输入目标自相关函数和互相关函数。找到相对应的显著延迟的互相关峰值高于95%置信水平的目标与高斯随机噪声

如果你使用nncorr,搜索我的文章,以避免错误代码(例如,正确的互相关函数不对称零延迟)。

格雷格nncorr

格雷格narxnet

否则使用传输线(连词(fft (x))。* fft (t)),或xcorr crosscorr函数在其它工具箱。

唯一应该有一个零延迟是目标自相关函数的峰值。

为了预测未来数据,需要前面的值输入和目标来填补延迟缓冲区。

希望这个有帮助。

谢谢你的正式接受我的答案

格雷格

3评论
显示2年长的评论隐藏2年长的评论

佩德罗 2013年5月31日

“如果闭环不工作在设计数据,它可以训练设计数据从设计上就是由开环”。

你能帮我澄清这一点吗?

例如,我有数据从1 - 30。我训练我的开放网络,直到20,想看看它预测剩余的10。让我们称之为net1。

我闭net1并成为net2和模拟与新的输入这个新净。如果输出不够好,我用相同的数据用于训练net2 net1吗?冰糖再培训网络但现在密切模式?

提前谢谢你。

登录置评。

更多的答案(2)

格雷格·希斯 2013年5月31日

0
链接

直接链接到这个答案

//www.tianjin-qmedu.com/matlabcentral/answers/76665-predictions-using-narx-network answer_87232

1。设计多个开环(OL)在双重循环网隐藏节点的数量(外环)和随机权重的初始化(内循环)。例如,搜索新闻组和答案

格雷格中心Ntrials

2。用divideblock代替dividerand保持相关性

3所示。使用验证MSE tr.best_vperf选择最好的设计和对看不见的数据测试MSE tr.best_tperf估计性能。

4所示。使用网络上看不见的数据只有已知输入、转换OL设计闭环(CL)。

5。在设计数据评估CL净。

6。如果性能明显比OL性能,使用训练来提高CL的性能。

7所示。使用CL设计未来的输入来预测未来输出。

8。如果你知道相应的未来的目标,你可以评估结果。

希望这个有帮助。

格雷格

6个评论
显示5年长的评论隐藏5年长的评论

佩德罗 2013年6月7日

编辑:佩德罗 2013年6月7日

谢谢你的回复。我想我明白了,除了6点。你是说火车只有CL净,我还是再火车一切吗?因为我试着训练只CL与设计数据,但从来没有成功过。

作为练习,我使用一个窦学习和试图预测。净后关闭我的设计数据,看看它响应并给了她新的输入数据来预测其他鼻窦但没有工作。

以下代码(我使用高级脚本生成的GUI,然后调整):

                                  清晰,clc,关闭所有
                                 
                                  %解决一个自回归问题与外部输入NARX神经网络
                                 
                                  % NTSTOOL生成的脚本
                                 
                                  %创建星期五6月07 14:58:24 c 2013
                                 
                                  %
                                 
                                  %这个脚本假设这些变量定义:
                                 
                                  %
                                 
                                  %输入,输入时间序列。
                                 
                                  %的目标——反馈时间序列。
                                 
                                  %的实函数净将学习一部分,直到730年
                                 
                                  %试图预测
                                 
                                  realin = linspace (1800, 1800);
                                 
                                  真正的=罪(2 *π* realin / 365);
                                 
                                  情节(真实的,“c”)
                                 
                                  持有在
                                 
                                  输入= linspace (1730140);
                                 
                                  目标=罪(2 *π*输入/ 365);
                                 
                                  pred_in = linspace (731、1800、140);
                                 
                                  pred_target =罪(2 *π* pred_in / 365);
                                 
                                  inputSeries = tonndata(输入、真、假);
                                 
                                  targetSeries = tonndata(目标,真、假);
                                 
                                  predinSeries = tonndata (pred_in,真、假);
                                 
                                  predtargSeries = tonndata (pred_target,真、假);
                                 
                                  %建立一个非线性自回归网络与外部输入
                                 
                                  inputDelays = 1:3;
                                 
                                  feedbackDelays = 1:3;
                                 
                                  hiddenLayerSize = 10;
                                 
                                  网= narxnet (inputDelays feedbackDelays hiddenLayerSize);
                                 
                                  % - - -剪断
                                 
                                  网。divideFcn =“divideblock”;%将随机数据
                                 
                                  % - - - - - -除了divideblock剪使用所有缺省值
                                 
                                  %闭环网络
                                 
                                  %使用这个网络进行多步预测。
                                 
                                  %的函数CLOSELOOP取代了反馈和直接输入
                                 
                                  %从文稿层连接。
                                 
                                  netc = closeloop(净);
                                 
                                  netc.name = [net.name”——闭环”];
                                 
                                  %视图(netc)
                                 
                                  (xc、xic aic, tc) = preparets (netc inputSeries, {}, targetSeries);
                                 
                                  yc = netc (xc、xic aic);
                                 
                                  closedLoopPerformance =执行(netc、tc、yc)
                                 
                                  %这里我添加了预测不知道目标,但我ycp给奶奶。不明白为什么。
                                 
                                  [xcp、xicp aicp] = preparets (netc predinSeries, {});
                                 
                                  ycp = netc (xcp、xicp aicp);
                                 
                                  情节(cell2mat (yc),‘g’)
                                 
                                  持有在
                                 
                                  情节(cell2mat (ycp),“+ g”)
                                 
                                  持有在

格雷格·希斯 2013年6月8日

编辑:格雷格·希斯 2013年6月8日

最好为助手,使用MATLAB nndata而非你的数据说明问题和解决方案。万博尤文图斯

                                  帮助nndatasets
                                 
                                  医生nndatasets

为什么?

因为我们是熟悉nndatasets。从而使我们更容易专注于您的代码。

我要看看你的代码,使用nndataset也许。

格雷格

PS我不明白为什么这是如此难以理解:

                                  1。转换CL的OL设计设计和测试后者用于获得OL的数据设计
                                 
                                  2。如果CL设计性能不理想,使用火车去
                                 
                                  改善它的性能数据。
                                 
                                  3所示。怎么能您可能希望获得良好的CL性能在新数据时不执行在旧数据?
                                 
                                  4所示。如果你想知道为什么不从头设计CL净,你但它是可以更加困难,需要更长的时间。

Alhaji Grema 2013年6月20日

你好,

我一直遵循这样的对话有浓厚的兴趣,因为我同样的问题是佩德罗,但我没有解决方案。请格雷格你能看看佩德罗的最后一个问题,"让我们假设我训练网络,得到了良好的性能从我的CL设计数据。现在如果我想用这个CL预测未来的价值观,我怎么写,我的意思是,如果我没有我的预测目标如何编写下面的代码?我试着删除predtargetSeries但ycp返回南…

[xcp、xicp aicp, tcp] = preparets (netc predinputSeries, {}, predtargetSeries);ycp = netc (xcp、xicp aicp);“

我将会等待你的回应。谢谢

丹 2016年10月1日

                                  Xcsf Acsf = Xcf Acf吗?
                                 
                                  什么年代和f代表(开始,结束?)?

登录置评。

丹 2016年10月1日

0
链接

直接链接到这个答案

//www.tianjin-qmedu.com/matlabcentral/answers/76665-predictions-using-narx-network answer_236866

优秀的解释: //www.tianjin-qmedu.com/matlabcentral/answers/14970-neural-network-multi-step-ahead-prediction

0评论
显示1年长的评论藏1年长的评论

登录置评。

在回答这个问题。

类别

人工智能,数据科学和统计数据深度学习工具箱序列和数字特性数据工作流

找到更多的在序列和数字特性数据工作流在帮助中心和文件交换

s manbetx 845

深度学习工具箱

社区寻宝

找到宝藏在MATLAB中央,发现社区如何帮助你!

开始狩猎!

预测使用NARX网络

0评论
显示1年长的评论藏1年长的评论

接受的答案

3评论
显示2年长的评论隐藏2年长的评论

更多的答案(2)

6个评论
显示5年长的评论隐藏5年长的评论

0评论
显示1年长的评论藏1年长的评论

另请参阅

类别

标签

s manbetx 845

社区寻宝

预测使用NARX网络

0评论 显示1年长的评论藏1年长的评论

接受的答案

3评论 显示2年长的评论隐藏2年长的评论

更多的答案(2)

6个评论 显示5年长的评论隐藏5年长的评论

0评论 显示1年长的评论藏1年长的评论

另请参阅

类别

标签

s manbetx 845

社区寻宝

0评论
显示1年长的评论藏1年长的评论

3评论
显示2年长的评论隐藏2年长的评论

6个评论
显示5年长的评论隐藏5年长的评论

0评论
显示1年长的评论藏1年长的评论