小波神经网络预测的代码1

幅度 A
sin(t)---a=1 1
morlet---a=1 1
0
0
-1
-1
0
2
4
6
8
-10 -5
0
5 10
sin(2t)---a=1/2 1
morlet---a=1/2 1
0
0
-1
-1
0
2
4
6
8
-10 -5
0
5 10
sin(4t)---a=1/4
morlet---a=1/4
1
1
0
0
-1
-1
0
2
4
6
为ω0，窗口宽度为△ ω，则相应的连续小波的傅立叶
变换为： a,()a12ej(a)
➢ 其频域窗口中心为： a,
1 a
0
➢ 窗口宽度为： 1
a
➢ 信号在频域窗内：[1 a0 . 2 1 a ,1 a02 1 a ]13
➢ 从上面的时频域的讨论可见，连续小波的时频域窗口
➢ 中心及其宽度都随a的变化而伸缩，如果我们称△t·△
事实上小波分析的应用领域十分广 泛，它包括：数学领域的许多学科；信 号分析、图象处理；量子力学、理论物 理；军事电子对抗与武器的智能化；计 算机分类与识别，音乐与语言的人工合 成；医学成像与诊断；地震勘探数据处 理；大型机械的故障诊断等方面。
.
37
6.小波分析应用前景
（1） 瞬态信号或图像的突变点常包含有很重要的 故障信息，例如，机械故障、电力系统故障、脑电图、 心电图中的异常、地下目标的位置及形状等，都对应 于测试信号的突变点。因此，小波分析在故障检测和 信号的多尺度边缘特征提取方面的应用具有广泛的应 用前景。

… ） ） ＝ ＋ ） （） ８
熹 ａｊ ＋ａ ￣（ Ａｆ ）
（ ９ ）
圈３ Ｇ南海预测值 和实际值
从 图 （ ） （ ）可 以看 出 ： １ 对 训练后 的小 波神 经网络模 ２、 ３ （）
『＝７ 熹＋ （ ＋ｂ一 Ｉ １ｊ ）（ ） 『 ）
其 中分别 为 ， ， ， 参 数万 ， ，的学 习速 率 ， ７ 仉 ａｂ
越 性 ， 出利 用小 波 神 经 网络 预 测股 票 价 格 的 方 法 。仿 真 表明 该 方 法 可 行 ，预 测精 度 高 。 提
［ 关键词】小波神经 网络 引言
也就是 说 （ 必须 具有 带通性 质 且 １ （ ） ） ｛ ｔ 必须 是有正 负 ，
。由母 小波 函数 １ （） ｛ ｔ的伸 ， 股 票市场发展 是我 国金 融深化 的重 要环节 ．是我 国资本市 交替 的振 荡波 形 使 得其平 均值为 ０
小波 神经 网络 是将小 波理论与 人工神经 网络 的思 想相结 合 而形 成的一种 新的神 经网络 ．既能 充分 利用小波 变换 的局部 化
－ ＝ ，（ ２ ｂ 『 ）∑万 （ ’ ｌ ∑ ） ，口 一 ）
产 １ ｌ
（ ５
性质 ．又 能结合神 经网络 的 自学 习能力 ．从而具 有较强 的逼近 和容 锚能 力 ．较快 的 收敛速 度和较 好 的预 报效 果 。
是神 经 网络 学 习过 程收 敛 时 间过长 易陷入局部 最小 。针对这
种情 况 本 文将小 波理论 和神经 网络 理论结 合起来 的小波神 经
网络 建立 了股 票价格预 测模型 。实验 结果表 明对股 票价格短 期
预测 效果很好 。
一
、
小波神经 网络

度， 可作为油田开发 动态指标预测 的替代方 法。 关键词 油 田开发动 态指标 ； 预测 ； 小波神 经 网络 （ Ｎ） ＷＮ 模型 ； 求解 虑了储层 的地 质 因素 对开 发动态 指标 的影 响 。结 果
０引 言
油 田开发动态 指标预 测在 油 田开 发过 程 中是极 其重要又极其 复杂 的 问题。 因为预 测 油 田开发 动态
作为神经 网络的输入 向量 ， 已知的相应评 价的 量值 将
能的小波神 经 网络 （ Ｎ） 测 模 型 。ＷＮ ＷＮ 预 Ｎ既考 虑
作为神经 网络的输 出 ， 可利用共轭梯 度法 以批处 理方 式训练 ， 应地调整小 波系数 和 网络权 重。用 足够 自适
多 的样 本训练 网络 ， 通过样 本 的学 习 ， 波神 经 网络 小
克 服 以上 不足 ， 本文 提 出 了一 种既 利 用 小波 变换 的
时—— 频局部化特性 又能发 挥 神经 网络 的 自学 习功
小 波神经 网络 将常 规单 隐层神 经 网络 的隐节 点
函数 由小波 函数 代替 ， 相应的输入层 到隐层 的权 值及
隐层阀值分别 由小波 函数 的尺度 和平 移参数 所替换 ， 即激活 函数为 已定 位 的小 波基 函数 。其基 本思 想 和 原理是把 用来描 述评 价对 象特征 的评 价指 标 属性值
波神 经 网络 油田开发动 态指标预测模 型 ， 究 了模 型的求解 ， 研 并应 用于 实际油田开发动 态指标 的预 测
中。实例 分析表 明 ， 出的小波神经 网络 的油 田开发 动 态指标 的预 测方 法是正 确和可行 的。与人 工 提
神 经 网络的预 测方法相 比 ， 小波神经 网络 的预测方法不仅 能有 效地提 高预 测精度 ， 而且 能提 高收 敛速

基于小波神经网络的Shibor预测摘要：上海银行间同业拆放利率（Shibor）的推出是中国利率市场化重要的一步。

通过分别建立小波神经网络和回归时间序列组合模型预测2周品种Shibor并作对比分析，结果表明小波神经网络的拟合和预测精度较高，具有一定的科学性和实用性。

关键词：Shibor；小波神经网络；回归时间序列组合；预测一、引言基准利率的形成是利率市场化的重要前提。

以货币市场利率为中介，由市场供求决定金融机构存贷款利率的市场利率体系机制已成为趋势[1]，如英国的Libor、美国的联邦基金有效利率和香港的Hibor等。

各国、地区的中央银行通过对基准利率的调控来协调资金供求，实现货币政策目标。

资金在不同金融市场之间流动，影响其流向的一个重要因素是资金成本，而衡量资金成本则需要一个反映市场供求的基准利率[2]。

2007年1月4日上海银行间同业拆放利率(Shanghai Interbank Offered Rate，简称Shibor)的推出正是央行为打造中国金融市场的基准利率而采取的一个重要举措。

目前，国内许多学者展开了对Shibor理论的探讨和研究，大多数从Shibor 的利率市场化及作用进行分析，如姚秦（2007）、刘喜波（2008）、苏昌蕾（2011）等[3-5]。

对于Shibor的预测文献比较少，而且假设的条件、采取的方法以及考虑的变量也不同。

周颖颖等（2009）利用带跳Vasicek单因子利率模型预测3个月的Shibor报价，但其样本量有限，未考虑多因子模型描述Shibor的适用性[6]。

田敏等（2009）应用ARMA模型对1周的Shibor价格进行分析，预测结果与真实值误差偏大[7]。

杨宝臣和苏云鹏(2010)使用Shibor日观测数据对预期理论进行检验，结果发现短端和长端利率分别存在波动趋势和线性漂移趋势，进而得出预期理论对这两类利率分别适用，但是对整体并不适用的结论[7]。

综上，目前针对Shibor的理论研究和实践处于摸索阶段，其走势需要利用模型仿真测试。

本人编辑了一个预测模型的程序，但是matlab老是提示出错，请各位大虾指教：非常感谢！！！>> clear all;%define the input and outputp= [974 874 527;388 466 1764;1316 2439 2251;1836 2410 1860;1557 2301 1578;1490 1877 2749;1513 1278 2026;1070 1561 2794;1347 2415 3306;1324 2746 1233;1383 1463 1847;1282 0 2347];t=[19797;24282;34548];% 创建bp网络和定义训练函数net=newff([388 3306],[15 1],{'tansig' 'purelin'});net.trainparam.goal=50;net.trainparam.epochs=5000;%训练神经网络[net,tr]=train(net,p,t);%输出训练后的权值和阈值iw1=net.IW{1};b1=net.b{1};lw2=net.LW{2};b2=net.b{2};%存储训练好的神经网络save netkohler net??? Error using ==> network.trainInputs are incorrectly sized for network.Matrix must have 1 rows.修改后：>> clear all;%define the input and outputp= [974 874 527;388 466 1764;1316 2439 2251;1836 2410 1860;1557 2301 1578;1490 1877 2749;1513 1278 2026;1070 1561 2794;1347 2415 3306;1324 2746 1233;1383 1463 1847;1282 0 2347];t=[19797;24282;34548];% 创建bp网络和定义训练函数net=newff([388 1836;466 2746;527 3306],[15 1],{'tansig' 'purelin'});net.trainparam.goal=50;net.trainparam.epochs=5000;%训练神经网络[net,tr]=train(net,p,t);%输出训练后的权值和阈值iw1=net.IW{1};b1=net.b{1};lw2=net.LW{2};b2=net.b{2};%存储训练好的神经网络save netkohler net??? Error using ==> network.trainInputs are incorrectly sized for network.Matrix must have 3 rows.clear all;%define the input and outputp= [974 874 527;388 466 1764;1316 2439 2251;1836 2410 1860;1557 2301 1578;1490 1877 2749;1513 1278 2026;1070 1561 2794;1347 2415 3306;1324 2746 1233;1383 1463 1847;1282 0 2347];t=[19797 24282 34548];% 创建bp网络和定义训练函数pr=[527 974;388 1764;1316 2439;1836 2410;1557 2301;1490 2749;％这里是为了方便而建立一个矩阵，注意是12x2，不是3x21278 2026;1070 2794;1347 3306;1233 2746;1383 1847;0 2347]net=newff(pr,[15,1],{'tansig' 'purelin'},'trainlm');％这里要加入输出层的转移函数，一般是trainlm net.trainparam.goal=50;net.trainparam.epochs=5000;%训练神经网络[net,tr]=train(net,p,t);%输出训练后的权值和阈值iw1=net.IW{1};b1=net.b{1};lw2=net.LW{2};b2=net.b{2};%存储训练好的神经网络save netkohler net。

⑥
２ １ Ｓ ｉ ｅｈ Ｅ ｇｇ ０ ｃ Ｔ ｃ． ｎｎ ． １ ．
基 于 小 波 神 经 网 络 的 短 时 客 流 量 预 测 研 究
任 崇岭 曹成铉 李 静 史文 雯
（ 京 交 通 大 学 轨 道 交 通 控 制 与 安 全 国家 重 点 实 验 室 ， 京 １０４ 北 北 ０ ０４）
（， Ⅱ６ ）＝—１ ）ｆ ） 。 Ｊ
￣ 口｝ ／ｌ 、 Ⅱ
第一作者 简介 ： 任崇岭 （ ９６ ） 男 ， １ ８ 一 ， 汉族 ， 山东人 ， 士 ， 究 方 硕 研
向： 优化与最优控制。 最
式 中： Ⅱ为缩 放 因子 （ 对应 于 频 率信 息 ） ｂ为平 移 因 ； 子 （ 应 于时 空信息 ） （ 为 基小 波 函数 。 对 ； ）
种 时频分 析方 法 ， Ｄ Ｔ这 样 的傅里 叶 变换 的性 能 比 Ｃ 更优越 ， 因此被 广泛 的应用 。
量 大 ， 里 运 费 低 且 能 耗 少 ， 其 他 交 通 工 具 更 加 公 较
具 有 明显 的优势 ， 因此 它 成 为城 市 中居 民 出行 的首 选 的重要 的 交 通 方 式 之 一 。一 个 高 效 运 行 的 城 市 轨 道交通 系 统有 助 于缓 解 城 市 路 面 交 通 压 力 ， 便 方 人 们 的出行 ， 加 减 少 环 境 的 污 染 ， 更 因此 对 于 城 市 轨 道交 通 短 时 客 流 量 的预 测 对 于 城 规 管 理 人 员 及
５ｏ １ｏ
科
学
技
术
与
工
程
ቤተ መጻሕፍቲ ባይዱ
１ 卷 １
小波变换 的特 点 是 ： 频局 域 性 、 时 多分 辨 分 析 、 数学 显微镜 ； 自适 应 窗 口率 波 ： 频 宽 、 频 窄 ； 低 高 适

ｔ ｅ ｔ ｄ ｔ ｎ ｒ ｄ ｃｉ ｎ ｍｏ ｅ ｓｎ ｅ ｒ ｌｎ ｔ ｒ ｈ ｒ ｉ ｏ ａ ｐ ｅ ｉｔ ｄ ｌＵ ｉ ｇ ｎ ｕ ａ ｅ ａ ｉ ｌ ｏ ｗｏ ｋ，ａ ｎ ｗ ｐ ｅ ｉｔ ｎ ｍｏ ｅ ｉ ｆ ｒ ｅ ｅ ｒ ｄ ｃｉ ｄ ｌ ｓ ｏ ｏ ｍ ｄ，ｎ ｍｅｙ ｔ ｅｐ ｅ ｉｔ ｎ ｍｏ ｅ ａ ｌ ｒ ｄｃ ｉ ｄ ｌ ｈ ｏ
ｂａ ｅ ｎ ｗａ ｅｅ ｅ ｒ ｌｎ ｔ ｏ ｋ． Ｔｈｅ ｄｅ ｉｎ ｏ ｅ ｄｃ ｉｎ ｄ ｅ ａ ｅ ｏ ｖ ｌｔ ｅ ｒ ｔ ｒ ｓ ｄ ｏ ｖ ｌ ｔｎ ｕ ａ ｅ ｗ ｒ ｓｇ ｆｐｒ ｉｔｏ ｍｏ ｌｂ ｓ ｄ ｎ ｗａ ｅｅ ｎ ｕ ａ ｎｅｗｏ ｋ，ｔ ｅ ｓｍｕ ａｉ ｌ ｈ ｉ ｌｔ ｏｎ ｍｏ ｌ ｎ ｈｅ ｓｍ ｕａ ｉｎ ａ ｔ ｍ ｅｉ ｒ ｅ ｅ ｔｄ ｔ ｐｅ ． Ｔｈ ｒ ｄ ｃｉｎ ｅｆｃ ｆｗａ ｅｅ ｕ ａ ｅｗｏ ｋ ｐ ｅ ｉ — ｄｅ ，ａ ｄ ｔ ｉ ｌｔｏ ｒ ｈ ｔｃ ａ ｐｒ ｓ ｎ ｅ ｈｅｐａ ｒ ｉ ｅ ｅ ｐ ｅ ｉ ｔｏ ｆｅ ｔｏ ｖ ｌｔｎｅ ｒ ｌｎ ｔ ｒ ｒ ｄ ｃ ｔｏ ｄｅ ｓｐｒｖ ｄ ｉ ｔａ ． ｉ ｌｔｏ ｎ ｒ ｎ ｎ ． Ａ ｅｔ ｒｐｒ ｄｃ ｉｎ ｒ ｓ ｔｉ ａｎｅ ｉ ｎ ｍｏ ｌｉ ｏ ｅ ｎ ｍａｌｂ７ ０ ｓｍｕ ａｉｎ ｅ ｖｉｏ ｍｅ ｔ ｂ ｔｅ ｅ ｉｔｏ ｅ ｕｌ ｓｇ ｉ ｄ，ａ ｄ ｔ ｅ ｄ ｆｃ ｆｆ ｌ— ｎ ｈ ｅｅ ｔｏ ａｌ ｉ ｇ ｉ ｔ ｏ ａ ｙ ｏ — ｓｒ ｎ ｐｏｎ ｓｏ ｅｃ ｍ ｅ，ａ ｈｅ ｓ ｍｅ ｔｍ ｅ，ｔ ｅ ｒ ｔ ｆｔａｎｉｇ ｉ ａｉｅ ｏ ｎ ｎｏ ｌ ｃ ｌｈ ｐ ｔｏ ｇ ｉｔｉ ｖ ｒｏ ｔｔ ａ ｉ ｈ ａｅ ｏ ｒ ｉ ｎ ｓ ｒ ｓ ｄ ｃ ｍｐａ ｅ ｔ ｈｅｐｒ — ｒ ｄ ｗｉ ｔ ｅ ｈ ｄ ｃｉｎ ｍｏ ｅ ａ ｅ ｎ ｎｅ ｒ ｌｎｅｗｏ ｋ． ｉｔｏ ｄ ｌｂ ｓ ｄ ｏ ｕ ａ ｔ ｒ

function MackeyGlass N=60000; t=zeros(N,1); x=zeros(N,1); a=0.2;b=0.1; x(1)=1.2; t(1)=0; h=0.1; tau=17; for k=1:N-1; t(k+1)=t(k)+h; if t(k)<tau; k1=-b*x(k); k2=-b*(x(k)+h*k1/2); k3=-b*(x(k)+k2*h/2); k4=-b*(x(k)+k3*h); x(k+1)=x(k)+(k1+2*k2+2*k3+k4)*h/6; else n=floor((t(k)-tau-t(1))/h+1);
k1=f(x(n))-b*x(k); k2=f(x(n))-b*(x(k)+h*k1/2); k3=f(x(n))-b*(x(k)+k2*h/2); k4=f(x(n))-b*(x(k)+k3*h); x(k+1)=x(k)+(k1+2*k2+2*k3+k4)*h/6; end end figure hold on grid plot(t,x); SamNum=3000; h=0.1; TestSamNum=500; InDim=4; ClusterNum=88; Overlap=1.0; rand('state',sum(3000*clock)) NoiseVar=0.1; Noise=NoiseVar*rand(1,SamNum); SamIn=rand(InDim,SamNum); SamOutNoNoise=rand(1,SamNum); TestSamIn=rand(InDim,TestSamNum); TestSamOut=rand(1,TestSamNum); for k=201:3200 SamIn(1,k-200)=x((k-18)/h+1); SamIn(2,k-200)=x((k-12)/h+1); SamIn(3,k-200)=x((k-6)/h+1); SamIn(4,k-200)=x((k)/h+1); SamOutNoNoise(k-200)=x((k+85)/h+1); end SamOut=SamOutNoNoise+Noise; for l=5001:5500 TestSamIn(1,l-5000)=x((l-18)/h+1); TestSamIn(2,l-5000)=x((l-12)/h+1); TestSamIn(3,l-5000)=x((l-6)/h+1); TestSamIn(4,l-5000)=x((l)/h+1); TestSamOut(l-5000)=x((l+85)/h+1); end Centers=SamIn(:,1:ClusterNum); NumberInClusters=zeros(ClusterNum,1); IndexInClusters=zeros(ClusterNum,SamNum); while 1, NumberInClusters=zeros(ClusterNum,1);

小 波 神 经 网 络 在 隧 道 围 岩 位 移 预 测 中 的 研 究
韩德 元 尹 晓 文
（ １ ． 广东省江 门市政企业集团有限公 司， 广东 江门 ５ ２ ９ ０ ０ ０ ； ２ ． 青 岛理工大学 （ 临沂 ） 土建系 ， 山东 临沂 ２ － ７ ３ ４ ０ ０ ）
摘 要： 对张杖子隧道 围岩拱顶下降位移数据进行 了预测分析 ， 经过 研究 表明 ， 小波神经 网络具有较高 的预测精度 ， 能够较 好的揭 示围岩位移的变化规律 ， 为合理判断隧道 围岩 的稳定性提供可靠 的理论依据。 关键词 ： 小波神经 网络 ， 隧道围岩 ， 拱顶位移 ， 滚动预 测 中图分类号 ： Ｕ ４ ５ １ ． ２ 文献标识码 ： Ａ
第３ ９卷 第 ７期 ２ ０ １ ３年 ３ 月
Ｓ ＨＡＮⅪ ＡＲＣ ＨＩ Ｔ Ｅ Ｃ Ｔ ＵＲ Ｅ
山 西 建 筑
Ｖ ｏ １ ． ３ ９ Ｎ ｏ ． ７
Ｍ ａ ｒ ． ２ ０ １ ３
・１ ６ ７・
文章 编号 ： １ ０ ０ ９ － ６ ８ ２ ５ （ ２ ０ １ ３ ） ０ ７ — ０ １ ６ ７ — ０ ３
路 和方法。
此需要对 网络 的输入数 据进行预 处理 ， 处理 的方法一 般采用归一 化预处理 ， 即：
＝
ｌ
（ ∑∞ ｋ ｉ Ｘ ｉ ） ）
（ １ ）
１ 小 波神 经 网络
小 波分析是 ２ Ｏ世纪 ８ ０年代发展起来的一种新 兴的数学理论 和方法 ， 被认为是数学领域的工具 和方 法上 的重 大突破 。小 波神 经网络（ Ｗａ ｖ ｅ ｌ ｅ ｔ Ｎ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ ） 是 由法国著名 的信息科学研 究机

BP神经网络算法代码以下是一个简单实现的BP神经网络算法代码，实现了一个简单的二分类任务。

代码主要分为四个部分：数据准备、网络搭建、训练和预测。

```pythonimport numpy as np#数据准备def prepare_data(:X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) # 输入数据return X, y#网络搭建def build_network(X, y, hidden_dim):input_dim = X.shape[1] # 输入维度output_dim = y.shape[1] # 输出维度#初始化权重和偏置np.random.seed(0)W1 = np.random.randn(input_dim, hidden_dim) /np.sqrt(input_dim)b1 = np.zeros((1, hidden_dim))W2 = np.random.randn(hidden_dim, output_dim) / np.sqrt(hidden_dim)b2 = np.zeros((1, output_dim))return W1, b1, W2, b2#前向传播def forward_propagation(X, W1, b1, W2, b2):z1 = np.dot(X, W1) + b1a1 = sigmoid(z1)z2 = np.dot(a1, W2) + b2a2 = sigmoid(z2)return a1, a2#激活函数def sigmoid(x):return 1 / (1 + np.exp(-x))#反向传播def backward_propagation(X, y, a1, a2, W1, W2): m = X.shape[0] # 样本数量#计算损失loss = np.sum((a2-y)**2) / (2*m)#计算梯度delta2 = 1/m * (a2-y) * a2 * (1-a2)dW2 = np.dot(a1.T, delta2)db2 = np.sum(delta2, axis=0, keepdims=True)delta1 = np.dot(delta2, W2.T) * a1 * (1-a1)dW1 = np.dot(X.T, delta1)db1 = np.sum(delta1, axis=0)return loss, dW1, db1, dW2, db2#更新参数def update_parameters(W1, b1, W2, b2, dW1, db1, dW2, db2, learning_rate):W1 -= learning_rate * dW1b1 -= learning_rate * db1W2 -= learning_rate * dW2b2 -= learning_rate * db2return W1, b1, W2, b2#训练def train(X, y, hidden_dim, num_epochs, learning_rate):W1, b1, W2, b2 = build_network(X, y, hidden_dim)for epoch in range(num_epochs):a1, a2 = forward_propagation(X, W1, b1, W2, b2)loss, dW1, db1, dW2, db2 = backward_propagation(X, y, a1, a2, W1, W2)W1, b1, W2, b2 = update_parameters(W1, b1, W2, b2, dW1, db1, dW2, db2, learning_rate)if (epoch+1) % 100 == 0:print("Epoch {}: loss = {}".format(epoch+1, loss))return W1, b1, W2, b2#预测def predict(X, W1, b1, W2, b2):_, a2 = forward_propagation(X, W1, b1, W2, b2)predictions = (a2 > 0.5).astype(int)return predictions#主函数def main(:X, y = prepare_datahidden_dim = 3num_epochs = 1000learning_rate = 0.1W1, b1, W2, b2 = train(X, y, hidden_dim, num_epochs, learning_rate)predictions = predict(X, W1, b1, W2, b2)print("Predictions:", predictions)if __name__ == "__main__":main```注意：这段代码只是一个简单的实现，可能在复杂任务上效果不佳。

附录1：基于MATLAB的神经网络代码%P58机组对一天的预测代码p=0:0.25:671.75;t=load('D:\数据建模\P58.txt');t=t';[pn,meanp,stdp,tn,meant,stdt]=prestd(p,t);%对数据进行归一化[R,Q]=size(pn);iitst=2:4:Q;iival=4:4:Q;iitr=[1:4:Q 3:4:Q];vv.P=pn(:,iival);vv.T=tn(:,iival);vt.P=pn(:,iitst);vt.T=tn(:,iitst);ptr=pn(:,iitr);ttr=tn(:,iitr);net=newff(minmax(ptr),[30 1],{'tansig' 'purelin'},'trainlm');%训练网络net.trainParam.show=25;[net,tr]=train(net,ptr,ttr,[],[],vv,vt);%绘制出训练过程中个误差变化曲线plot(tr.epoch,tr.perf,'r',tr.epoch,tr.vperf,':g',tr.epoch,tr.tperf,'-.b'); legend('训练','正确','²âÊÔ',-1);ylabel('平方误差');xlabel('时间');an=sim(net,pn);a=poststd(an,meant,stdt);figureplot(p,a);%得到一组输出，所以有一个线性回归figure[m(1),b(1),r(1)] = postreg(a(1,:),t(1,:));%得到神经网络逼近曲线和原始曲线figureplot(p,a,'r-',p,t,':');legend('逼近曲线','原来数据曲线,-1);ylabel('功率/KW');xlabel('时间/h');ppp=p(2016:2111); % 预测向量ttt=t(2016:2111);aaa=a(2016:2111);figureplot(ppp,ttt,':',ppp,aaa,'-');legend('风电功率','预测结果',-1);ylabel('功率/KW');xlabel('时间/h');dv=ttt-aaa;figureplot(ppp,dv);dv2=sum(abs(ttt-aaa))/96/49300;%平均绝对误差r2=(1-sqrt(sum(((ttt-aaa)/49300).^2)/96));%r2准确率附录2：基于时间序列的ARMA模型数据处理的部分代码x1=load('E:/1.txt');y1=load('E:/2.txt'); %导入数据，把待预测区间的实测数据和预测数据分别读入到变量x1,y1,x2,y2...a1,b1,a2,b2...a6,b6x1=x1';y1=y1';%数据转置以便于操作，下同x2=load('E:/3.txt');y2=load('E:/4.txt');x2=x2';y2=y2';x3=load('E:/5.txt');y3=load('E:/6.txt');x3=x3';y3=y3';x4=load('E:/7.txt');y4=load('E:/8.txt');x4=x4';y4=y4';x5=load('E:/9.txt');y5=load('E:/10.txt');x5=x5';y5=y5';x6=load('E:/11.txt');y6=load('E:/12.txt');x6=x6';y6=y6';p=2017:2688;%对应时间段为5月31日0时0分至23时45分%subplot(2,3,1);%绘图%plot(p,x1,p,y1);a1=x1(1:96);b1=y1(1:96);a2=x2(1:96);b2=y2(1:96);a3=x3(1:96);b3=y3(1:96);a4=x4(1:96);b4=y4(1:96);a5=x5(1:96);b5=y5(1:96);a6=x6(1:96);b6=y6(1:96);m=2017:2112;%对应时间段为5月31日0时0分至6月6日23时45分%plot(m,a6,m,b6);%求一周预测精度p58=sum(abs(x6-y6))/672/49300;%求平均绝对误差p4=sum(abs(x5-y5))/672/3400;%求平均绝对误差pd=sum(abs(x4-y4))/672/850;%求平均绝对误差pc=sum(abs(x3-y3))/672/850;%求平均绝对误差pb=sum(abs(x2-y2))/672/850;%求平均绝对误差pa=sum(abs(x1-y1))/672/850;%求平均绝对误差p581=(1-sqrt(sum(((x6-y6)/49300).^2)/672))%求准确率p41=(1-sqrt(sum(((x5-y5)/3400).^2)/672))%求准确率pd1=(1-sqrt(sum(((x4-y4)/850).^2)/672))%求准确率pc1=(1-sqrt(sum(((x3-y3)/850).^2)/672))%求准确率pb1=(1-sqrt(sum(((x2-y2)/850).^2)/672))%求准确率pa1=(1-sqrt(sum(((x1-y1)/850).^2)/672))%求准确率%求一天预测精度p582=sum(abs(a6-b6))/96/49300;%求平均绝对误差p42=sum(abs(a5-b5))/96/3400;%求平均绝对误差pd2=sum(abs(a4-b4))/96/850;%求平均绝对误差pc2=sum(abs(a3-b3))/96/850;%求平均绝对误差pb2=sum(abs(a2-b2))/96/850;%求平均绝对误差pa2=sum(abs(a1-b1))/96/850;%求平均绝对误差p583=(1-sqrt(sum(((a6-b6)/49300).^2)/96))%求准确率p43=(1-sqrt(sum(((a5-b5)/3400).^2)/96))%求准确率pd3=(1-sqrt(sum(((a4-b4)/850).^2)/96))%求准确率pc3=(1-sqrt(sum(((a3-b3)/850).^2)/96))%求准确率pb3=(1-sqrt(sum(((a2-b2)/850).^2)/96))%求准确率pa3=(1-sqrt(sum(((a1-b1)/850).^2)/96))%求准确率H=[p58,p4,pd,pc,pb,pa]%每个预测量一周预测平均绝对误差矩阵H1=[p581,p41,pd1,pc1,pb1,pa1]%每个预测量一周预测准确率矩阵H2=[p582,p42,pd2,pc2,pb2,pa2]%每个预测量一日预测平均绝对误差矩阵H3=[p583,p43,pd3,pc3,pb3,pa3]%每个预测量一日预测准确率矩阵。

⾃⼰动⼿实现机器学习算法：神经⽹络（附源代码）神经⽹络的⼀些原理这不做介绍，不清楚的可以搜索相关博客和数据，资料相对较多。

下⾯开始正题⼆、神经⽹络的算法的核⼼过程：2.1. 前向传播求损失2.2. 反向传播更新w3.1.定义激活函数激活函数⼀般有双曲函数和逻辑函数其导数： 1.2 逻辑函数(logistic function) 代码：#!/usr/bin/env # -*- coding:utf-8 -*- import numpy as np def tanh(x): return np.tanh(x) def tanh_derivative(x): return 1.0 - np.tanh(x) * np.tanh(x) def logistic(x): return 1 / (1 + np.exp(-x)) def logistic_derivative(x): return logistic(x) * (1 - logistic(x) ) 3.2 然后定义两层的神经⽹络的class，初始化激活函数，和权值：给权值随机赋值，权值的范围[-0.25,0.25)class NeuralNetworkWith2layers: def __init__(self, layers, activation='tanh'): if activation == 'Logistic': self.activation = logisticself.activation_deriv = logistic_derivative elif activation == 'tanh': self.activation = tanh self.activation_deriv = tanh_derivative self.weights = [] for i in range(1, len(layers)-1): # 初始化权值范围 [-0.25,0.25) # [0,1) * 2 - 1 => [-1,1) => * 0.25 => [-0.25,0.25) self.weights.append( (2*np.random.random((layers[i-1] + 1, layers[i] + 1 ))-1 ) * 0.25 ) self.weights.append( (2*np.random.random((layers[i] + 1, layers[i+1] ))-1 ) * 0.25 ) 3.3下⾯实现神经⽹络的核⼼训练逻辑向前传播计算损失和相互传播更新w3.3.1、函数申明：def fit(self, X, y, learning_rate=0.2, epochs = 10000):参数X为样本数据，y为标签数据，learning_rate 为学习率默认0.2，epochs 为迭代次数默认值100003.3.2、数据预处理：X = np.atleast_2d(X) X = np.column_stack((X, np.ones(len(X)))) y = np.array(y) 上⾯代码，给X加了⼀个值为1的维度，y变成numpy中的array类型3.3.3、数据训练 def fit(self, X, y, learning_rate=0.2, epochs = 10000): X = np.atleast_2d(X) temp = np.ones([X.shape[0],X.shape[1]+1]) temp[:,0:-1] = X X = temp y = np.array(y) for k in range(epochs): i = np.random.randint(X.shape[0]) a = [X[i]] # 正向计算 for l in range(len(self.weights)): a.append(self.activation( np.dot(a[l], self.weights[l])) ) # 反向传播 error = y[i] - a[-1] deltas = [error *self.activation_deriv(a[-1])] # starting backprobagation layerNum = len(a) - 2 for j in range(layerNum, 0, -1): # 倒数第⼆层开始deltas.append(deltas[-1].dot(self.weights[j].T) * self.activation_deriv(a[j])) deltas.reverse() # 更新权值 for i in range(len(self.weights)): layer = np.atleast_2d(a[i]) delta = np.atleast_2d(deltas[i]) self.weights[i] += learning_rate * layer.T.dot(delta) 正向计算部分：将每层的计算节点值保存在⼆维数组a中，下⾯反向传播更新权值时候会⽤到该数据。