neurosolutions神經(jīng)網(wǎng)絡(luò)軟-全文預(yù)覽
【正文】 資料，那麼他會用 1/15, 1/14,1/13,…,1/7,1/6 的資料來作 為預(yù)測之參考資料。 並將檔案分別存檔如下圖： 建立類神經(jīng)網(wǎng)路模型 建立模型 首先點(diǎn)選 NeuralBuilder圖形工具，啟動NeuralBuilder對話視窗 選擇 Multilayer Percepton(多層感知機(jī) )模型 設(shè)定訓(xùn)練檔案 (1) 進(jìn)入了訓(xùn)練資料設(shè)定畫面之後，點(diǎn)選 Browse…鍵 之後會出現(xiàn)檔案選擇對話框，選擇所要作為訓(xùn)練之輸入資料。 資料前處理 製作五日平均收盤價(jià) 資料前處理 將前五筆資料予以省略 將資料複製貼到記事本中，並建立檔名為Input。 臺灣加權(quán)指數(shù)之資料處理 經(jīng)由下載之後，我們開啟檔案，發(fā)現(xiàn)在檔案裡頭中，總共有幾個(gè)欄位，分別為 Date(日期 )、 Open(開盤價(jià) )、Close(收盤價(jià) )、 Value(成交量 )。 資料整理變成為類神經(jīng)之製作的前一步重要課題。 資料整理 臺灣加權(quán)指數(shù)預(yù)測之目的： 預(yù)測收盤價(jià) 資料整理 影響類神經(jīng)網(wǎng)路之精確度的主要變數(shù)有兩個(gè)，一個(gè)是資料、另一個(gè)就是訓(xùn)練的長度。 資料收集 從網(wǎng)路上下載有關(guān)臺股指數(shù)之資料 載此選擇臺灣加權(quán)指數(shù)為測試目標(biāo) 資料收集注意事項(xiàng)： 儘可能收集您要作為分析的資料 若是您的資料是從實(shí)驗(yàn)中求得，那麼你所作的實(shí)驗(yàn)的樣本數(shù)也要儘可能地多，因?yàn)樵蕉嗟馁Y料，對類神經(jīng)而言，可以讓它作適度之歸納。 類神經(jīng)網(wǎng)路是以建立數(shù)值結(jié)構(gòu)（含加權(quán)值的網(wǎng)路）來學(xué)習(xí)，其知識結(jié)構(gòu)是隱性的，缺乏解釋能力。 類神經(jīng)網(wǎng)路的缺點(diǎn) 類神經(jīng)網(wǎng)路的隱藏層可為以 12層，數(shù)目可設(shè)為任意數(shù)目，且有學(xué)習(xí)速率等參數(shù)需設(shè)定，工作相當(dāng)費(fèi)時(shí)。 類神經(jīng)網(wǎng)路有良好的推廣性，對於未知的輸入亦可得到正確的輸出。 適度的訓(xùn)練 資料中的關(guān)係變數(shù)無絕對之影響變數(shù) 針對監(jiān)督式學(xué)習(xí)需要有期望輸出值 (目標(biāo)值 ) 訓(xùn)練， 輸入值 為其關(guān)鍵 信賴度 Neural works are very powerful 對於神經(jīng)網(wǎng)路之是基於訓(xùn)練之資料上。 類神經(jīng)網(wǎng)路的架構(gòu) 隱藏層介於輸入層和輸出層之間，這些層完全用於分析，其函數(shù)聯(lián)繫輸入層變數(shù)和輸出層變數(shù)，使其更配適 (fit)資料。 這些單元以層的方式組織，每一層的每個(gè)神經(jīng)元和前一層、後一層的神經(jīng)元連接。 類神經(jīng)網(wǎng)路可以處理 連續(xù)型 和 類別型 的資料，對資料進(jìn)行 預(yù)測 。 (真理大學(xué)工管系 邱寬旭教授 ) 類神經(jīng)網(wǎng)路（ Neural Network， NN） 類似人類神經(jīng) 結(jié)構(gòu)，是「一種基於腦與神經(jīng)系統(tǒng)研究，所啟發(fā)的資訊處理技術(shù)」。 (中山大學(xué) 機(jī)電系 嚴(yán)成文教授 ) 運(yùn)用電腦（軟、硬體）來模擬生物大腦神經(jīng)的人工智慧系統(tǒng)，並將此應(yīng)用於辨識、決策、控制、預(yù)測， ? ? ? 等等。 類 神經(jīng)網(wǎng)路和迴歸分析不同，沒有任何假設(shè)的機(jī)率分佈，是模式識別和誤差最小化的過程，在每一次經(jīng)驗(yàn)中提取和學(xué)習(xí)資訊。 整個(gè)類神經(jīng)網(wǎng)路包含一系列基本的神經(jīng)元，通過權(quán)重（ weight）相互連接。 輸出層生成最終結(jié)果，為網(wǎng)路送給外部系統(tǒng)的結(jié)果值。 MP(MultiLayer Perceptron) 模型公式： Yj = f( j) Yj處理單元函數(shù) j = ΣWij Xi – θj Wij = 連結(jié)強(qiáng)度 Xi = 神經(jīng)元 i所傳來之訊號 θj = 神經(jīng)元 j之閥值 f = 轉(zhuǎn)換函數(shù)，通常為階梯函數(shù) (Step function) f(x) = △ Wij = ηXi Xj η：學(xué)習(xí)速率，控制權(quán)重修正幅度 {T}目標(biāo)輸出量 {Y}推論輸出量 δ差距量 ，用來修正權(quán)重 差距量 = 目標(biāo)輸出量 – 推論輸出量 = δj = Tj – Yj 權(quán)重改變量 = △ Wij = η?δj?Xi 輸出單元閥值改變量 = △ θj = η?δj 總錯(cuò)誤率 = 誤分類案例總數(shù) /範(fàn)例種數(shù) BPN原理簡單介紹 提供範(fàn)例資料給神經(jīng)網(wǎng)路 神經(jīng)網(wǎng)路運(yùn)算後產(chǎn)生輸出資料 神經(jīng)網(wǎng)路運(yùn)算後產(chǎn)生輸出資料並比較滿意值 修正網(wǎng)路中之權(quán)重以降低誤差 範(fàn)例資料輸入 網(wǎng)路 權(quán)重 w 修正權(quán)重參數(shù) 訓(xùn)練演算法 誤差 差異 目標(biāo)值 輸出值與目標(biāo)值比較 產(chǎn)生輸出資料 Neural Networks的要求 神經(jīng)網(wǎng)路學(xué)習(xí)是透過範(fàn)例來讓網(wǎng)路收斂，因此輸入資料必須為： 擁有足夠範(fàn)例資料來讓神經(jīng)網(wǎng)路作適當(dāng)之歸納。 類神經(jīng)網(wǎng)路的應(yīng)用 工業(yè)應(yīng)用 控制器設(shè)計(jì)與系統(tǒng)鑑別 產(chǎn)品品質(zhì)分析（例：汽水瓶裝蓋與填充監(jiān)測、珍珠分級） 機(jī)電設(shè)備診斷（例：數(shù)值電路診斷、類比 IC診斷、汽車引擎診斷） 化工程序診斷 （例：化工廠製程故障診斷） 實(shí)驗(yàn)資料模型建立 （例：複合材料行為模型建立） 工程分析與設(shè)計(jì)（例：鋼樑結(jié)構(gòu)、道路鋪面狀況評級） 類神經(jīng)網(wǎng)路的應(yīng)用 商業(yè)應(yīng)用 股票投資（例：大盤基本分析、大盤技術(shù)分析、個(gè)股技術(shù)分析） 債券投資
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號-1