一、如何利用訓練好的神經(jīng)網(wǎng)絡(luò )進(jìn)行預測

預測的時(shí)候還是將需要的參數作為輸入。訓練的時(shí)候不是有15組樣本嗎（4*15和6*15的），說(shuō)明輸入節點(diǎn)數為4，輸出節點(diǎn)數為6。因此預測時(shí)，將用于預測的4個(gè)參數作為輸入，神經(jīng)網(wǎng)絡(luò )的6個(gè)輸出即為預測結果。神經(jīng)網(wǎng)絡(luò )因其很好的函數逼近能力而被廣泛應用于非線(xiàn)性系統建模、辨識和控制中。根據應用場(chǎng)合的不同,神經(jīng)網(wǎng)絡(luò )可分為靜態(tài)和動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò )兩類(lèi)。靜態(tài)(或前饋)神經(jīng)網(wǎng)絡(luò )沒(méi)有反饋成分,也不包含輸人延時(shí),輸出直接由輸人通過(guò)前向網(wǎng)絡(luò )算出;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò )的輸出不僅依賴(lài)當前的輸人,還與當前和過(guò)去的輸入、輸出有關(guān)。

二、如何利用訓練好的神經(jīng)網(wǎng)絡(luò )進(jìn)行預測

預測的時(shí)候還是將需要的參數作為輸入。訓練的時(shí)候不是有15組樣本嗎（4*15和6*15的），說(shuō)明輸入節點(diǎn)數為4，輸出節點(diǎn)數為6。因此預測時(shí)，將用于預測的4個(gè)參數作為輸入，神經(jīng)網(wǎng)絡(luò )的6個(gè)輸出即為預測結果。神經(jīng)網(wǎng)絡(luò )因其很好的函數逼近能力而被廣泛應用于非線(xiàn)性系統建模、辨識和控制中。根據應用場(chǎng)合的不同,神經(jīng)網(wǎng)絡(luò )可分為靜態(tài)和動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò )兩類(lèi)。靜態(tài)(或前饋)神經(jīng)網(wǎng)絡(luò )沒(méi)有反饋成分,也不包含輸人延時(shí),輸出直接由輸人通過(guò)前向網(wǎng)絡(luò )算出;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò )的輸出不僅依賴(lài)當前的輸人,還與當前和過(guò)去的輸入、輸出有關(guān)。

三、如何得到神經(jīng)網(wǎng)絡(luò )預測結果

如果你用9——11年的數據不經(jīng)過(guò)預測12——19年的數據就想得到第20年的數據的做法是不合理的，神經(jīng)網(wǎng)絡(luò )的預測講求時(shí)間序列的連續性，你可以在編寫(xiě)maltab程序的時(shí)候才用遞歸的方法調用神經(jīng)網(wǎng)絡(luò )工具箱，加上對預測數據進(jìn)行一定的格式操作就可以了，這樣你想讀到第幾年的數據都行。

四、如何用人工神經(jīng)網(wǎng)絡(luò )確定指標體系的權重？

說(shuō)的確定應該就是訓練方法吧，神經(jīng)網(wǎng)絡(luò )的權值不是人工給定的。而是用訓練集（包括輸入和輸出）訓練，用訓練集訓練一遍稱(chēng)為一個(gè)epoch，一般要許多epoch才行，目的是使得目標與訓練結果的誤差(一般采用均方誤差）小到一個(gè)給定的閾值。以上所說(shuō)是有監督的學(xué)習方法，還有無(wú)監督的學(xué)習方法。

五、如何用神經(jīng)網(wǎng)絡(luò )進(jìn)行時(shí)間序列預測

將時(shí)間序列拆開(kāi)，組織訓練樣本。參考附件的例子，用的是BP神經(jīng)網(wǎng)絡(luò )。 BP（Back Propagation）神經(jīng)網(wǎng)絡(luò )是86年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網(wǎng)絡(luò )，是目前應用最廣泛的神經(jīng)網(wǎng)絡(luò )模型之一。BP網(wǎng)絡(luò )能學(xué)習和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數學(xué)方程。它的學(xué)習規則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調整網(wǎng)絡(luò )的權值和閾值，使網(wǎng)絡(luò )的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò )模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。