基于香港vps的Elman神经网络预测学习

　　基于香港vps的Elman神经网络预测学习

　　作为新世界香港vps的用户，相信有很多用户将香港vps用于机器学习预测，下面小编给大家讲解一下基于机器学习的石油价格预测，相信这篇文章对于世界性服务器用户来说是非常实用的，话不多说，小编手把手来教你。

　　1.神经网络的学习也称为训练，指的是神经网络在受到外部环境的刺激下调整 神经网络的参数，使神经网络以一种新的方式对外部环境作出反应的一个过程。能够从环境中学习和在学习中提高自身性能是神经网络最有意义的性质，神经网络经过反复学习来达到对环境的了解。

　　神经网络的学习方式可分为有导师学习、无导师学习和再励学习。

　　(1)有导师学习亦称监督学习，它需组织一批正确的输人输出数据对。将输入数据加载到输入端后，把网络的实际输出与期望(理想)的输出相比较得到误差，然后根据误差的情况修改各连接权值，使网络能朝着正确响应的方向不断变化下去，直到实际的输出与期望输出之差在允许范围之内。

　　(2)无导师学习亦称无监督学习.这时仅有一批输人数据。网络初始状态下，连接权值均设置为一小正数，通过反复加载这批输人数据，使网络不断受 到刺激，当与曾经历的刺激相同的刺激到来时，响应连接权以某一系数增大，重 复加入的同样刺激使相应的连接权增大到接近1的某值。这一自组织的方法，使 网络具有某种"记忆"能力以至形成"条件反射"，当曾经学习过或相似的刺激加人后，输出端便按权俏矩阵产生相应的输出。

　　(3)再励学习，亦称强化学习。这种学习介于两种情况之间，外部环境对系统输出结果只给出评价(只有奖和罚)而不是给出正确答案，学习系统通过强化那些受奖励的动作来改善自身性能。

　　Elman神经网络特点：

　　Elman神经网络具有特殊的结构.Elman网络保留了前馈神经网络的基本结构.但是与前馈神经网络不同的是，Elman加入了承接层.承接层的加入就意味着网络多了一个记录信息的单元.而这个单元可以使隐藏层的输出得到延迟和存储,然后将存储的信息与下一时刻隐藏层的输入自联.这就加强了网络对历史数据的敏感性与动态信息处理的能力,从而达到动态建模目的.

　　Elman神经网络中隐藏层与输出层神经元结构搭配特殊.隐藏层的神经元为tansig神经元,输出层的神经元为purelin神经元，这2种神经元的组合可以使得网络以任意精度去逼近任意函数.并且，训练时间并不会因为逼近对象的复杂性增加而大幅度增加，只需相应增加隐藏神经元数目即可.

　　Elman神经网络具有动态性的优点.由于目前大多数石油价格预测多采用静态神经网络，而采用静态神经网络处理动态问题在收敛速度、训练难度等方面会增加处理难度,并且计算结果还会存误差.Elman神经网络由于其特殊的网络结构，本身具有动态性的特点，所以对于动态问题具有更好的处理效果,不仅可以使网络具有非线性的动态特征，同时还可以避免静态神经网络无法实时改变模型结构以及缺乏对未来突变情况适应性的缺点.

　　(4)Elman神经网络与静态神经网络相比具有双重联接的特性，即Elman神经网络不仅具有前馈联接，同时还具有反馈联接.这个特性使Elman神经网络可以避免前向型神经网络易陷入局部最小点、收敛速度慢的情况.

　　Elman神经网络算法

　　如图中，如果输入向量u为r维向量，输出向量y为m维，隐含层输出向量x为n维，承接层输出向量Xc为n维，W1、W2、W3分别为隐含层到输出层，输入层到隐含层，承接层到隐含层的连接权值，g()为输出神经元的激活函数，是隐含层输出的线性组合，f()是隐含层神经元的激活函数，则各层的表达式如下：

　　网络权值修正方法采用BP算法中的方法，权衡是否结束的误差函数如下：

　　网络爬虫的基本工作流程如下：

　　1.首先选取一部分精心挑选的种子URL;

　　2.将这些URL放入待抓取URL队列;

　　3.从待抓取URL队列中取出待抓取在URL，解析DNS，并且得到主机的ip，并将URL对应的网页下载下来，存储进已下载网页库中。此外，将这些URL放进已抓取URL队列。分析已抓取URL队列中的URL，分析其中的其他URL，并且将URL放入待抓取URL队列，从而进入下一个循环。

　　本程序用于获取网站中的表格：

　　clc,clear;

　　warning off;

　　for year = 2016 %年份

　　for yuefen= 1:5

　　fprintf('%d年%d月份的数据...', year, yuefen)

　　[sourcefile,status]=urlread(sprintf('http://www.zou114.com/youjia/xianhuo.asp', year,yuefen));

　　if ~status

　　error('读取出错!\n')

　　end

　　expr1 = '\s+(\d\d\d\d-\d\d-\d\d)\s*'; %获取日期

　　[datefile, date_tokens]= regexp(sourcefile, expr1, 'match', 'tokens');

　　date = cell(size(date_tokens));

　　for idx = 1:length(date_tokens)

　　date{idx} = date_tokens{idx}{1};

　　end

　　expr2 = '

'; %获取数据

　　[datafile, data_tokens] = regexp(sourcefile, expr2, 'match', 'tokens');

　　data = zeros(size(data_tokens));

　　abc(1:64)=data(:,1);

　　for idx = 1:length(data_tokens)

　　data(idx) = str2double(data_tokens{idx}{1});

　　end

　　data = reshape(data, 6, length(data)/6 )'; %重排

　　filename = sprintf('%d年',year);

　　pathname = [pwd '\data'];

　　if ~exist(pathname,'dir')

　　mkdir(pathname);

　　end

　　fullfilepath = [pwd '\data\' filename];

　　% 保存数据到Excel

　　sheet = sprintf('第%d月份', yuefen);

　　xlswrite(fullfilepath, date' , sheet);

　　range = sprintf('B1:%s%d',char(double('B')+size(data,2)-1), size(data,1));

　　xlswrite(fullfilepath, data, sheet, range);

　　fprintf('OK!\n')

　　end

　　本次讲解就到这里，相信小编已经给大家对基于机器学习的石油价格预测做了一些正确合理的普及。。

　　希望大家踊跃的购买我们公司的香港vps，更好的进行机器学习的相关研究相关的研究和实战。

　　如果还有什么不明确或者不懂的地方，欢迎来到新世界主机咨询了解，详情请咨询QQ： ，TEL： 。我们必将竭诚为您服务。