Question

看到你之前关于matlab神经网络多步滚动预测的提问，你说你解决了。我想问你具体的程序如何，谢谢。

Answer 1

奇怪，百度还多这样的功能。

其实是一个比较取巧的方法，是从训练数据从新编排入手的，举例来说，你就只有一列数据，例如自然数列，1，2，3，4，5，6，7，你把数列从新编成一个矩阵
1 2 3
2 3 4
3 4 5
4 5 6
5 6 7
矩阵前两列做训练的输入矩阵p，第三列做输出那个t，然后训练网络直到满足你的条件
这样训练后的网络就可以用了，当你想预测第八个数的时候，仿真输入6 7，他就预测第八个数，假设输出是8，想继续预测第九个数，把预测的8和之前的7组成新矩阵，也就是输入7 8，他就会出第九个数，9

至于你要的矩阵是2列，3列，4列就随便了，看你的结果和之前的那几个数相关大的，按需要组矩阵吧
上面也可以用
1 2
2 3
3 4
……
这样的矩阵，第一列p，第二列t，来训练，这样就是一输入一输出了

原理都一样，这是多步预测，误差其实越到后面越大
滚动预测就是把新预测的数再放进数列里面，当作这数列是新的，再做新训练和仿真

其实新编矩阵很简单了，for循环就可以，然后归一化，再训练，最后仿真

追问

这些原理我也清楚，就是编程不太会，你能针对你上面举得的例子写一个简单的程序命令吗？用BP神经网络，谢谢。因为写论文需要，比较急

追答

嗯，其实我不是学计算机的，只是有些数据要处理，所以自己找资料，下面是我之前做研究时候用的部分代码，可以运行，但没怎么优化过，一般应用我想应该可以吧，如果有错的请指出
数据重组矩阵的代码如下：
clear all
load data.txt
a=data;
b=a
[q,r]=size(b)
temp=b
jz=1;
for (i=1:jz)
b1=b(i+1:q,:)
b2=zeros(i,r)
b3=[b1;b2]
c=[temp';b3']'
temp=c
end
f=c(1:q-i,:)
说明一下，f就是重组后矩阵，jz的值是控制重组后的列数，注意列数是jz+1，不清楚的用matlab运行一次看结果就可以
p=f(:,1:r*i)';
t=f(:,r*i+1:r*(i+1))';
[pn,ps]=mapminmax(p,0,1);
[tn,ts]=mapminmax(t,0,1);
pr=minmax(pn);
net=newff(pr,[2,1],{'tansig','purelin'},'trainlm');
net.trainparam.goal=1e-15;
net.trainparam.epochs=10000;
net.trainparam.min_grad=1e-10;
net.trainparam.time=15;
[net,tr]=train(net,pn,tn);
上面的代码都很常规，bp网络一般都打这些，我直接复制来了
下面是多步预测：
g=c(q-i+1,1:r*i)'
for (j=1:3)
[gn,gs]=mapminmax('apply',g,ps);
out=sim(net,gn);
out2=mapminmax('reverse',out,ts)
g=mapminmax('reverse',gn,ps);
g(1,:)=[];
g=[g;round(out2)];
end

说明一下，最后用round是因为我明确知道这是自然数列，一般不用round，除非你的结果要整数的。上面是多步预测，循环多少次就预测多少步，不过越到后面误差越大，用其他数列试试就很清楚了

关于滚动预测，就是把g再接到f的后面，形成一个新的矩阵，在执行前面第二块的那堆代码训练，训练完以后再仿真便OK，简单说，把训练那块放到循环里，就是滚动预测了。

一般来说，滚动预测比多步预测准确那么一点点，但耗费的时间多很多，而且我这代码是很简陋的，训练时有机会落入局部最小造成失真，所以要对训练效果做检验的，不过不想写的太复杂了，检验部分省略了，而且针对不同的数据，检验也不一定相同，楼主按自己需要再修改吧

这些代码我试过了，能预测，我的是matlab2010b版本，