机器学习与神经网络

动态神经网络时间序列预测的NARX实现————————梁浩，梁宇斌时间序列时间序列是按时间序列排列的一组数字序列。时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计建立数学模型的理论和方法，以预测未来事物的发展。它的基本原理有二点，一是承认事物发展的延续性，即应用过去的数据，就能推测事物的发展趋势；二是考虑到事物发展的随机性，任何事物发展都可能受偶然因素的影响，为此要利用各种统计分析方法对历史数据加以分析处理。动态神经网络•动态神经网络是指网络带有反馈与记忆功能，可以将前一时刻的数据保留，使其加入到下一时刻数据的计算，使网络不仅具有动态性而且保留的系统信息也更加完整。它有许多应用，比如金融分析师用于分析某只股票未来某时点的价格。它分为两类，一类是通过神经元反馈形成的神经网络，如Elman神经网络，PID神经网络，另一类是回归神经网络，有静态神经元和网络输出反馈构成，典型的有NARX回归神经网络。NARX神经网络•NARX（NonlinearAutoRegressivemodelswithExogenousInputs)全称为非线性自回归模型，也称为带外部输入的非线性自回归滤波器。通常情况下它优于全回归神经网络，并且可以和其互换，所以它成为非线性动态神经网络中应用最广的一种。•一个典型的NARX神经网络主要有输入层，隐含层，和输出层及输入输出延时构成。其基本结构如下：NARX神经网络详细结构如下：•本案例给出2001个监测点的时间序列数据。其中PhInputs为一个1*2001维的cell，代表时间监测点的流速，PhTargets为1*2001维的cell，代表中和反应后溶液的PH值。我们通过当前的酸碱溶液流速预测中和反应后溶液的PH值大小。Matlab实现•1.建立非线性自回归模型•2.网络数据预处理函数•3.时间序列数据准备•4.训练数据，验证数据，测试数据划分•5.网络训练