Matlab：使用神经网络进行预测答案

【问题标题】：Matlab: Forecasting using a Neural NetworkMatlab：使用神经网络进行预测
【发布时间】：2013-01-17 15:10:16
【问题描述】：

我创建了一个神经网络来模拟某种（简单的）输入-输出关系。当我使用 nntrain gui 查看时间序列响应图时，预测似乎相当充分，但是，当我尝试进行样本外预测时，结果与被建模的函数相去甚远。

我已经在谷歌上广泛搜索了这个问题，但我的代码却一无所获，我真的很感激能了解我做错了什么。

我在下面包含了一个最小的工作示例。

 A = 1:1000;  B = 10000*sin(A); C = A.^2  +B;
 Set = [A' B' C'];
 input = Set(:,1:end-1);
 target = Set(:,end);
 inputSeries = tonndata(input(1:700,:),false,false);
 targetSeries = tonndata(target(1:700,:),false,false);

 inputSeriesVal = tonndata(input(701:end,:),false,false);
 targetSeriesVal = tonndata(target(701:end,:),false,false);

 inputDelays = 1:2;
 feedbackDelays = 1:2;
 hiddenLayerSize = 5;
 net = narxnet(inputDelays,feedbackDelays,hiddenLayerSize);

[inputs,inputStates,layerStates,targets] = preparets(net,inputSeries,{},targetSeries);
net.divideFcn = 'divideblock';  % Divide data in blocks
net.divideMode = 'time';  % Divide up every value

 % Train the Network
[net,tr] = train(net,inputs,targets,inputStates,layerStates);
Y = net(inputs,inputStates,layerStates); 

 % Prediction Attempt
delay=length(inputDelays); N=300;
inputSeriesPred  = [inputSeries(end-delay+1:end),inputSeriesVal];
targetSeriesPred = [targetSeries(end-delay+1:end), con2seq(nan(1,N))];
netc = closeloop(net);
[Xs,Xi,Ai,Ts] = preparets(netc,inputSeriesPred,{},targetSeriesPred);
yPred = netc(Xs,Xi,Ai);
perf = perform(net,yPred,targetSeriesVal);

 figure;
plot([cell2mat(targetSeries),nan(1,N);
      nan(1,length(targetSeries)),cell2mat(yPred);
      nan(1,length(targetSeries)),cell2mat(targetSeriesVal)]')
legend('Original Targets','Network Predictions','Expected Outputs')
  end

我意识到带有时间延迟的 narx 网络对于这类问题可能是矫枉过正，但我打算在未来使用这个示例作为更复杂的时间序列问题的基础。

亲切的问候，詹姆斯

【问题讨论】：

如果您在进行样本外预测时遇到问题，则可能是过度拟合。这就是交叉验证的用武之地。

标签： matlab neural-network prediction

【解决方案1】：

从训练数据到新数据的泛化能力差的最可能原因是 (1) 没有足够的训练数据来表征问题，或者 (2) 神经网络的神经元和延迟比所需的多问题，因此它过度拟合数据（即，它很容易记住示例，而不必弄清楚它们是如何相关的。

(1) 的修复方法通常是更多数据。 (2) 的解决方法是减少抽头延迟和/或神经元的数量。

希望这会有所帮助！

【讨论】：

【解决方案2】：

我不确定你是否解决了这个问题。但是，您的问题至少还有另一种解决方案。

由于您正在处理时间序列，因此最好（至少在这种情况下）设置 net.divideFcn = 'dividerand'。 'divideblock' 将仅使用时间序列的第一部分进行训练，这可能会导致有关长期趋势的信息丢失。

【讨论】：

【解决方案3】：

增加inputdelay、feedbackdelay和hiddenlayersize如下：

 inputDelays = 1:30;
 feedbackDelays = 1:3;
 hiddenLayerSize = 30;

也将函数改为

net.divideFcn = 'dividerand';

尽管网络需要时间，但这些更改对我有用

【讨论】：