Question

matlab BP神经网络预测下一组数据问题

如题，输入p为n行6列，下面代码我仅举例了4行，实际有很多行。
现需要进行matlab使用BP神经网络编程，将以前的所有样本进行训练，预测下一组将出现的6个数据。
实际上就是已知前N组样本，预测下一组样本的数值。

代码如下：
%输入数据
clear;
clc;
p=[23 25 26 27 29 26;
22 24 26 27 25 18;
12 13 15 18 19 22;
16 17 15 18 19 12] %实际p有很多行数据，此处仅列举4行。

[m,n]=size(p);
pn=p(1:m-1,:); %此处将第一行到倒数第二行作为训练样本

pn=pn*0.01; %此处因为知道pn输入所有数介于0到99之间，因此直接乘以0.01进行数据归一。

tn=p(m,:); %最后一行作为验证结果
tn=tn*0.01; %此处因为知道pn输入所有数介于0到99之间，因此直接乘以0.01进行数据归一。
pn=pn';
tn=tn'; %对pn和tn进行转置

net=newff(minmax(pn),[18,6],{'tansig','logsig'},'trainbr'); %建立网络

net.trainParam.show = 50; %多少轮显示一回
net.trainParam.lr = 0.05; %学习速度
net.trainParam.epochs = 800; %最大训练轮数
net.trainParam.goal = 1e-5; %目标函数误差

%开始训练==============
[net,tr]=train(net,pn,tn);

pn=p(2:m,:); %此处将第二行到最后一行作为预测样本 ----------请问此处如何处理，能够达到让pn等于所有的已知样本来作为预测样本输入？？？？？
ppn=pp*0.001;
ppn=ppn';

%网络输出结果=========
ttn=sim(net,ppn);

ttn=ttn'*100; %数据进行转置并还原真实值

运行上述代码后，发现结果如下：
ans =

2.2222e+014

不知道问题出在哪里，为什么不能得到我想要的下一组数据呢？

实际上我只需要训练已知所有样本，预测得到下一组样本即可。

不知代码是否思路正确，或者有更好的思路或建议的话，请高手指点。万分感谢。

Answer 1

楼主用的MATLAB是什么版本？
这段代码在2008b中会报错，虽然可以排除，但修改后在你的系统上未必兼容，所以最好用和你比较接近的版本来调试分析。

Answer 2

-请问此处如何处理，能够达到让pn等于所有的已知样本来作为预测样本输入????

不知道问题出在哪里，为什么不能得到我想要的下一组数据呢？矛盾啊

http://wenku.baidu.com/link?url=5sPeHwbbotF80NS4oh94zeMshhP68JhbRIqTcBeeAfJ9ZnVheg-_W07sq789GvER80S4IieJ8VRjoh7y-txeT1nFpw5Wi4YX9c9PaogxfOS

追问

我查了很多资料，一般情况下实例中输入p可以是多个维度，可是输出n一般是1维的，所以我才有此疑问。

追答

n完全可以是多维的.
新版newff与旧版newff调用语法对比

比如输入input（6*1000），输出output为（4*1000），那么

旧版定义：net=newff(minmax(input),[14,4],{'tansig','purelin'},'trainlm');
新版定义：net=newff(input,output,14,{'tansig','purelin'},'trainlm');

追问

非常感谢你的回答。
我暂时用的是matlab7，应该是旧版的对吧，所以我现在怎么改都不能得出想要的输出。如果是R2010B的话，是不是可以用新版本了？
另外，我的本意是，如何用历史数据中的n-1个样品，训练得出第n个样品输出，然后通过输入n个样品，仿真得出下一组数据。这个新版本的nweff函数能实现吗？代码如何写？

追答

%% 清空环境变量
clc
clear
%% 训练数据预测数据
input1=rand(768,8);
output1=round(rand(768,1));
data=[input1,output1];
%从1到768间随机排序
k=rand(1,768);
[m,n]=sort(k);

%输入输出数据
input=data(:,1:8);
output =data(:,9);
%随机提取500个样本为训练样本，268个样本为预测样本
input_train=input(n(1:500),:)';
output_train=output(n(1:500),:)';
input_test=input(n(501:768),:)';
output_test=output(n(501:768),:)';
%输入数据归一化
[inputn,inputps]=mapminmax(input_train);
%% BP网络训练
% %初始化网络结构
net=newff(inputn,output_train,10);
net.trainParam.epochs=1000;
net.trainParam.lr=0.1;
net.trainParam.goal=0.0000004;