Elman神經(jīng)網(wǎng)絡(luò)算法模型與學(xué)習(xí)算法

1、1會計(jì)學(xué)Elman神經(jīng)網(wǎng)絡(luò)算法模型與學(xué)習(xí)算法神經(jīng)網(wǎng)絡(luò)算法模型與學(xué)習(xí)算法輸入輸入單元上下文單元輸出隱層單元輸出單元urymxncx123,w w wg( ) f( ) n( )h ()nett1111()()()mnnettw txt 11()()my tg nett23( )( )( )( )nicniu tif iAtxtif iBwif iAw twf iB 1()( )( )inii ABnettw tt 11()()nnxtf nett11( )()()inii ABnettw tt ( )( )cnxth nett 1(1)w t 2( )w t3( )w tOutput yr12n

2、1n1m1輸出層用紫色表示輸出層用紫色表示隱含層用黃色表示隱含層用黃色表示承接層用白色表示承接層用白色表示21 ( )( )nkEy kd k( )d k函 數(shù) 名功 能newelm()生成一個Elman神經(jīng)網(wǎng)絡(luò)trains()根據(jù)已設(shè)定的權(quán)值和閾值對網(wǎng)絡(luò)進(jìn)行順序訓(xùn)練traingdx()自適應(yīng)學(xué)習(xí)速率動量梯度下降反向傳播訓(xùn)練函數(shù)learngdm()動量梯度下降權(quán)值和閾值學(xué)習(xí)函數(shù)時間9時負(fù)荷10時負(fù)荷11時負(fù)荷12時負(fù)荷第1天0.44130.47070.69530.8133第2天0.43790.46770.69810.8002第3天0.45170.47250.70060.8201第4天0.455

3、70.47900.70190.8211第5天0.46010.48110.71010.8298第6天0.46120.48450.71880.8312第7天0.46150.48910.72010.8330%根據(jù)預(yù)測方法得到輸入向量和目標(biāo)向量P=0.4413 0.4707 0.6953 0.8133 0.4379 0.4677 0.6981 0.8002 0.4517 0.4725 0.7006 0.8201;0.4379 0.4677 0.6981 0.8002 0.4517 0.4725 0.7006 0.8201 0.4557 0.4790 0.7019 0.8211;0.4517 0.472

4、5 0.7006 0.8201 0.4557 0.4790 0.7019 0.8211 0.4601 0.4811 0.7101 0.8298;T=0.4557 0.4790 0.7019 0.8211;0.4601 0.4811 0.7101 0.8298;0.4612 0.4845 0.7188 0.8312;%輸入向量的取值范圍為0 1，用threshold來標(biāo)記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;%創(chuàng)建一個Elman神經(jīng)網(wǎng)絡(luò)，隱含層的神經(jīng)元個數(shù)為17個，4個輸出層神經(jīng)元，隱含層激活函%數(shù)為tansig，輸出層激活函數(shù)為purelin net=newelm(threshold,17,4,tansig,purelin);