㈠ 神經網路預測安全系數
首先建立一種較簡單的神經網路預測安全系數模型，以驗證該方法用於露天井工聯合開採煤岩邊坡分析時的可行性。
6.4.3.1 露天井工聯合開采邊坡穩定性影響因素確定及其預處理
諸多因素影響下的邊坡，具有復雜的變形破壞機理和模式。不同類型邊坡涉及到的穩定性影響因素也是不同的，不能一概而論。但是對於某一區域或某一類型邊坡而言，其涉及到的影響因素可以認為是類似的，可以認為它們的不穩定性活災害強度和發展趨勢是可類比的。本節神經網路樣本取自海州露天礦的現場實測和分析數據，具有較強的相似性和可比性。
按工程地質研究方法，影響因素可分為內因和外因兩大因素。內因主要有邊坡岩體的地層、材料特性、地質構造、井工開採的煤層分布等;外因有邊坡形態的改造、地下采空區范圍、人為活動等。本節研究中的輸入因素:內因取為容重、黏聚力、內摩擦角、采深采厚比、煤層傾角;外因取為邊坡高、總邊坡角、采空區面積。以極限平衡計算得到的邊坡安全系數作為輸出參數(參見6.2節分析)。
6.2節中的分析共選取了海州露天礦的12條剖面，選取W7、W3、E5、E7、E13、E19、E23、E25共8各剖面的計算實例作為學習樣本，以W5、E1、E10、E174個剖面的計算實例作為預測樣本，見表6-7。
表6-7 神經網路樣本原始數據
將原始數據按式
6.4.3.2 BP神經網路學習
對樣本數據進行歸一化處理，得到神經網路的學習輸入參數，見表6-8。
表6-8 神經網路學習樣本參數
神經網路結構優化如下:
本模型中，k=8，n=8，m=1。
據式(6-17)，取
據式(6-18)，
據式(6-19)，n1≥log2n=3。
可見，n1取值在4～13之間是適宜的，取不同隱層節點數進行網路訓練，使系統總誤差最小，可得n1=8時訓練效果最理想。
樣本訓練誤差E和循環次數t是程序運行時結束的兩個結束標准，迭代中以程序結束標准為:E=0，t=10000。據網路結果優化確定:η=0.9，α=0.7，隱含層數c=1，隱層節點數n=8。
對神經網路進行訓練，訓練總誤差E=9.913×10-4。
6.4.3.3 BP神經網路預測
據學習好的神經網路，進行4個樣本的神經網路預測。
表6-9為預測樣本輸入參數。
表6-9 預測樣本輸入參數
將該表輸入訓練好的網路，得預測結果及誤差見表6-10所示。
表6-10 神經網路預測結果與實測結果的對照
注:δ表示預測值與實測值的相對誤差，
可見，安全系數的預測總平均誤差均在20%以內，可以滿足要求，從理論上說明了BP神經網路的可用性，可以預測輸出目標。
㈡ PNN神經網路,BP神經網路,Elman神經網路,ANN神經網路,幾種神經網路中哪個容錯能力最強
多層前向BP網路是目前應用最多的一種神經網路形式, 它具備神經網路的普遍優點！
㈢ 求大神幫忙，用BP或elman神經網路實現風速預測程序怎麼寫
x=[6.2 ,5.8 ,5.5 , 5.6 ,5.4 ,5.1 ,5.2 , 5.2 ,5.1 ,4.9 ,4.8 ,5 ,5.2 ,5.3 ...
,5.2 ,5.1 ,5.1 ,5 ,4.8 , 4.9 ,5.3 ,5.4 ,5.3 ,5.3 ,5.5 ,5.2 ,4.6 ,4.9 ...
,4.9 ,5.4 ,5.4 ,5.5 ,5.4 ,5.1 ,5 ,5.1 ,5.2 ,4.9 ,5.2 ,5.1 ,5.1 ,4.8 ,...
3.8 ,3.4 ,3.8 ,3.9 ,3.8 ,3.7 ,3.6 ,2.9 ,3.1 ,3.7 ,3.9 ,3.7 ,3.7 ,3.8 ,...
3.6 ,3.7 ,2.7 ,2.8 ,1.9 ,2.7 ,2.9 ,2.8 ,3.5 ,3.6 ,3.7 ,3.3 ,3.6 ,3.5 ,...
4.3 ,4.4 ,3.9 ,4.5 ,4.2 ,4.9 ,4.5 ,4.6 4.8, 5.7, 5.6, 5.6, 5.6, 5.6, ...
5.6,5.6, 5.6, 5.6, 5.6, 5.6,5.6 ,5.6,5.6 ,5.6 ,5.6 ,5.6 ,5.6 ,5.6 ,5.6 ...
,5.6 ,5.6 ,5.6 ,5.6 ,5.5 ,5.5 ,5.2 ,3.6 ,5.6 ,4.5 ,6.1,6.2 ,5.6 ,6.4 ,...
5.5 ,4.8 ,5.1 ,6.1 ,5.5 ,4.6 ,4.3 ,6.7 ,5.9 ,4.8 ,5.8 ,5.7 ,5.7 ,5.4 ,...
5.9 ,5.7 ,6.2 ,5.2 ,4.6 ,4.1 ,4.3 ,4.3 ,4.1 ,3.9 ,3.8 ,4.3 ,4.6,4.2,...
4.1 ,4.5 ,4.3 ,3.7 ,3.1 ,2.7 ,2.9 ,2.4 ,3 ,2.8 ,2.8];
% 該腳本用來做NAR神經網路預測
% 作者：Macer程
lag=3; % 自回歸階數
iinput=x; % x為原始序列（行向量）
n=length(iinput);
%准備輸入和輸出數據
inputs=zeros(lag,n-lag);
for i=1:n-lag
inputs(:,i)=iinput(i:i+lag-1)';
end
targets=x(lag+1:end);
%創建網路
hiddenLayerSize = 10; %隱藏層神經元個數
net = fitnet(hiddenLayerSize);
% 避免過擬合，劃分訓練，測試和驗證數據的比例
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;
%訓練網路
[net,tr] = train(net,inputs,targets);
%% 根據圖表判斷擬合好壞
yn=net(inputs);
errors=targets-yn;
figure, ploterrcorr(errors) %繪制誤差的自相關情況（20lags）
figure, parcorr(errors) %繪制偏相關情況
%[h,pValue,stat,cValue]= lbqtest(errors) %Ljung－Box Q檢驗（20lags）
figure,plotresponse(con2seq(targets),con2seq(yn)) %看預測的趨勢與原趨勢
%figure, ploterrhist(errors) %誤差直方圖
%figure, plotperform(tr) %誤差下降線
%% 下面預測往後預測幾個時間段
fn=5; %比如預測步數為fn。
f_in=iinput(n-lag+1:end)';
f_out=zeros(1,fn); %預測輸出
% 多步預測時，用下面的循環將網路輸出重新輸入
for i=1:fn
f_out(i)=net(f_in);
f_in=[f_in(2:end);f_out(i)];
end
% 畫出預測圖
figure,plot(1:n,iinput,'b',n:n+fn,[iinput(end),f_out],'r')
效果不是很好，但未來5個點風速應該是增大的。
㈣ Elman神經網路和回聲狀態網路哪個好
BP等前饋型神經網路是將動態時間建模問題變為靜態空間建模問題，同時還需對模型結構進行定介，特別是隨系統階次的增加或階次未知，迅速擴大的網路結構使網路學習的收斂速度減慢，並造成網路輸入節點過多、訓練困難及對外部雜訊敏感等弊病。
Elman回歸神經網路是在BP網路基本結構的基礎上，通過存儲內部狀態使其具備映射的動態特徵功能，從而使系統具有適應時變特性的能力。
㈤ 哪位大蝦有神經網路的 Elman 訓練及防真的例子
ytutyu6u外套哎utdau7r惡akira惡耳朵我GD
㈥ elman神經網路能夠解決的問題,還有其他什麼網路能夠更好的解決
還可以使用GRNN神經網路，效果非常好，並且訓練速度非常快。廣義回歸神經網路GRNN：徑向基神經元和線性神經元可以建立廣義回歸神經網路，它是徑RBF網路的一種變化形式，經常用於函數逼近。在某些方面比RBF網路更具優勢。
在MATLAB中，直接使用net=newgrnn(P,T,spread)就能以非常快的速度設計出一個GRNN網路，其進行訓練及預測時，效果非常好，不會比elman神經網路差。擴展常數SPREAD不能太小，才能使部分徑向基神經元能夠對輸入向量所覆蓋的區間產生相應，但也不能太大，否則計算困難。可以通過試湊來獲得最佳擴展常數。
㈦ Elman神經網路學習問題
你是參考別人的代碼修改的吧？報錯信息的意思是：input_train、output_train這兩個變數沒有定義。你應該在之前對這兩個變數進行賦值，即將訓練數據的輸入和輸出做成矩陣形式，以一列為一個樣本，再賦值給這兩個變數。
訓練Elman神經網路可以用train()或者adapt()。兩個函數不同之處在於，train()函數應用反向傳播訓練函數進行權值修正，通常選用traingdx訓練函數；adapt()函數應用學習規則函數進行權值修正，通常選用learngdm函數。
Elman神經網路的可靠性要比一些其他類型網路差一些，這是因為在訓練和調整時，應用誤差梯度的估計值。恰恰因為這一點，構建網路時，為了達到這一精度，Elman神經網路隱含層神經元的數目比其他網路結構相對較多。
㈧ 用BP或elman神經網路實現風速預測程序怎麼寫
神經網路可以指向兩種，一個是生物神經網路，一個是人工神經網路。
生物神經網路：一般指生物的大腦神經元，細胞，觸點等組成的網路，用於產生生物的意識，幫助生物進行思考和行動。
人工神經網路（Artificial Neural Networks，簡寫為ANNs）也簡稱為神經網路（NNs）或稱作連接模型（Connection Model），它是一種模仿動物神經網路行為特徵，進行分布式並行信息處理的演算法數學模型。這種網路依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。
人工神經網路：是一種應用類似於大腦神經突觸聯接的結構進行信息處理的數學模型。在工程與學術界也常直接簡稱為「神經網路」或類神經網路。
㈨ 請問有誰對elman神經網路做過深入研究嗎其中承接層的權值是如何安排和定位的呀
1、如果使用MATLAB的話不要自己設定，newff之後會自動賦值
也可以手動：net.IW=
2、一般來說輸入歸一化，那麼w和b取0-1的隨機數就行
㈩ 如何用matlab模擬elman神經網路
1:20; p1=sin(t); p2=sin(t)*2; plot(t,p1,'r'); hold on plot(t,p2,'b--'); hold on t1=ones(1,20);t2=ones(1,20)*2;%產生兩組向量，分別為這兩波形幅值，作為輸出向量 p=[p1 p2 p1 p2]; t=[t1 t2 t1 t2]; Pseq=con2seq(p);%將矩陣形式的訓練樣本轉換為序列的形式 Tseq=con2seq(t); R=1;%輸入元素的數目為1 S2=1;%輸出曾的神經元個數為1 S1=10;%中間層有10個神經元 net=newelm([-2,2],[S1,S2],{'tansig','purelin'}); net.trainParam.epochs=100;%設定次數 net=train(net,Pseq,Tseq); y=sim(net,Pseq); %預測 P=randn(12,2);T=randn(12,2); threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1]; a=[11 17 23]; for i=1:3 net=newelm(thresho...