bp 和 mlp 是很类似的,前者的传输函数是非线性,后者是线性。 神经网络的权连接有三种模式, 前向(用于判断和预测),反馈(联想和记忆),自组织(聚类)。 组合起立就有几十种模型了。 股票我看到应用的是时间为权重的前馈式(用于下一时间序列的预测),局部反馈的前馈(用于模式识别(三角,头肩等))。
个人理解 神经网络的原理就是多输入,单输出加权运算模型。不同层的连接是前馈,同层的有连接是反馈。 matlab应该是最容易入门到神经网络工具,matlab5.2开始有了神经网络工具箱,是应用各种函数构建。从matlab5.3开始,引入了面向对象的方法,用4-5行代码就可以完成一个神经网络模型。有不到10种模型. 已经有几年没有见过matlab,我也不知道现在的版本是多少了,有多少种模型,但应该还是很容易上手的,个人觉得matlab神经网络的是最容易学习使用的。但关键的理解各模型的原理。 svm分类速度和性能都优于神经网络,如果核函数采用高斯的话,类似于神经网络中的径向基,我对svm了解有5年了,还不知道其原理,所以没有办法比较。希望windspeedo学习顺利。
bp 是85年开发的模型非线性函数sigma改变了传统的感知机模型的输入。并通过实际-预测结果的误差进行反向传播,修正各神经节点的权学习的。学习周期长,不易收敛。不是个实用的模型。可以过模型理解神经网络的概念。 时间序列预测是出于前n个时间加权的的模型输入,计算下一个和几个数据序列的结果。 模式识别以前在看到的日本日光证券的模型识别系统,用来对模式分类。应用了几个神经网络共同工作,其中有大量的反馈。我看不懂。