⑴ 設計基於BP神經網路的貨運量預測模型，利用MATLAB軟體的GUI功能實現貨運量的自動預測。
我整理好發送你。
⑵ 一個簡單的Bp神經網路分類預測程序，使用如下圖所示的數據進行訓練，能量和熵值作為輸入，Ra為輸出
這個不難吧，具
⑶ 求解！基於matlab利用BP神經網路預測未來多年（10年）的能源消耗量。
這么大的課題，已經可以算上碩士論文的級別了。建議與國內實力較強的高校聯手來做這個課題吧。
⑷ 求一個基於BP神經網路的時間序列matlab模擬的完整預測 程序
nntool。調用工具箱
⑸ 如何用BP神經網路實現預測
BP神經網路具有任意復雜的模式分類能力和優良的多維函數映射能力，解決了簡單感知器不能解決的異或(Exclusive OR，XOR)和一些其他問題。從結構上講，BP網路具有輸入層、隱藏層和輸出層；從本質上講，BP演算法就是以網路誤差平方為目標函數、採用梯度下降法來計算目標函數的最小值。
⑹ BP神經網路預測
參看附件代碼，代碼中的數據已經歸一化，如果你自己的數據應使用mapminmax函數進行歸一化。
newff函數的格式為：
net=newff(PR,[S1 S2 ...SN],{TF1 TF2...TFN},BTF,BLF,PF），函數newff建立一個可訓練的前饋網路。輸入參數說明：
PR：Rx2的矩陣以定義R個輸入向量的最小值和最大值；
Si：第i層神經元個數；
TFi：第i層的傳遞函數，默認函數為tansig函數；
BTF：訓練函數，默認函數為trainlm函數；
BLF：權值/閥值學習函數，默認函數為learngdm函數；
PF：性能函數，默認函數為mse函數。
⑺ 該代碼為基於bp神經網路的預測演算法怎麼看
BP（Back Propagation）神經網路是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。
上傳的m文件里是一個電力系統負荷預測的實例，用的是最簡單的BP演算法，你可以參考。
很抱歉，回答者上傳的附件已失效
⑻ bp神經網路股票價格預測的MATLAB編程
P=[];『輸入，開盤價，最高價，最低價，收盤價成交量依次5天的數據』
T=[];』輸出，即第二日的收盤』
net=newff(minmax(P),[7,1],{'tansig','logsig'},'traingdx');
net.trainParam.epochs=1000; 『最大訓練次數，根據需要可自行調節』
net.trainParam.goal=0.01; 『誤差』
net.trainParam.lr=0.01; 『學習率』
net=train(net,P,T); 『訓練網路』
test=[];『待預測數據輸入』
out=sim(net,test); 『模擬預測』
我的這個程序沒有進行初始化，你還需要先將數據進行初始化後才能算。
⑼ 我用bp神經網路做預測，改變輸入節點和隱層節點數，想找到最優節點，為什麼每次算出來都不一樣
輸入向量方案由你自己定，把可能影響未來值的因素都量化作為輸入，這個不需要你優化。
而隱層節點數一般通過經驗法和試湊法得到。神經網路訓練時是充滿隨機性的，基本上不可能每次都收斂到一個相同的權值組合上，所以每次網路的輸出（即你的預測值）都是不一樣的。你可以多進行幾輪試湊，看每次試湊得到的最佳隱層節點數是否很接近，接近的話說明當隱層節點數取這個值時，網路性能較穩定，就可以直接將這個值作為S1。