1

BP神經網絡結構

神經網絡旨在通過模仿動物的神經系統利用神經元作為連接結點的新型智能算法，神經網絡本身包含三層結構，輸入層，隱含層，輸出層，每一層都有自己的特殊功能，輸入層進行因子的輸入與處理。由于在實際情況中，所有輸入的數據并不是線性的，有的時間還是多維的，讓該數據通過隱含層進行訓練，使得數據可視化，以期達到自己所需要的數據，是神經網絡的核心所在在經過隱含層后的訓練后，數據基本上也就達到了自己的要求，這時就要對數據進行輸出，三個層次之間互不影響，每一層的神經元的狀態只能影響下一層神經元的狀態，其結構如下圖所示：

本文建立的神經網絡預測流程如下所示：

1

代碼獲取

由于本節案例代碼過長不在文中作為展示已經將代碼封裝在后臺公眾號后臺回復神經網絡獲取封裝的代碼

1

神經網絡預測實例

本文以黃河流域中游的華山氣象站點1957-2010年共54年的數據為基礎，以1957-2000年的數據做為預測數據，2001-2010年的數據作為參考數據，利用前44年的數據來預測后十年的數據，并與后十年的實際數據進行對比，來確定預測精確度。通過前期的分析可以得到被選入的輸入變量集因子為水汽壓，風速，氣溫，相對濕度；把降水量作為預測變量，以水汽壓，風速，氣溫，相對濕度作為輸入變量代入Matlab程序中進行預測，預測結果如下所示。通過計算以水汽壓，風速，氣溫和相對濕度作為輸入變量來預測降水量的結果還是較為精確的，通過計算知預測中的相關系數達到72.16%，預測精準度還是很高的，誤差率也是較小；但是預測精度還是有待于提高。分析可知一方面在對降水量的預測中，預測因子并不是選擇的越多越好，而是應該找到與預測變量相關性較大的因子，只有用與預測變量相關性較大的因子作為輸入變量才能在預測算法中取得精確的預測結果，才能得到自己期望的結果；另一方面，在預測算法的選取中神經網絡這種預測算法既方便，又精準，但是由于神經網絡預測算法也有好多類型，應根據實際的需要去選擇合適的預測算法。

MATLAB實戰—最優Copula函數的選擇

總結

以上是生活随笔為你收集整理的作为神经网络的输入_MATLAB实战|基于神经网络河南省降水量预测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。