main:
clear all
clc
t=[124.175 117.0666667 108.3333333 102.8083333 99.225 98.6 100.35 100.725 99.41666667 ...
101.1666667 103.9 101.8166667 101.4666667 104.7666667 105.9
103.32255]; %%原始数据（数据的观测值）
n=5
anew=NeuralNetwork(t,n)
function [anew]=NeuralNetwork(x,n)
% explanation：此函数通过神经网络预测指定的几个参数值
% x为神经网络训练数组（一维）
% n为预测数据的个数
%debug
% t=[124.175 117.0666667 108.3333333 102.8083333 99.225 98.6 100.35 100.725 99.41666667 ...
% 101.1666667 103.9 101.8166667 101.4666667 104.7666667 105.9
% 103.32255]; %%原始数据（数据的观测值）
t=x;
形容变化的词语p=1:length(t); %%数据的时间
% plot(p,t)
高考复读学校
%数据归一化
[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %%y = (ymax-ymin)*(x-xmin)/(xmax-xmin) + ymin；归一化函数
% [pn,minp,maxp,tn,mint,maxt]=mapminmax(p,t); %%y = (ymax-ymin)*(x-xmin)/(xmax-xmin) + ymin；归一化函数
dx=[-1,1];
%BP网络训练
net=newff(dx,[5,1],{'tansig','tansig','purelin'},'traingdx');
水果串
net=train(net,pn,tn);
%对原数据进行仿真 黄金桂
an=sim(net,pn); %%%anewn=sim(net,pnewn);
金桔柠檬茶的做法a=postmnmx(an,mint,maxt); %还原仿真得到的数据
%与实际数据对比
x=1:length(t);
newk=a(1,:);
figure;
plot(x,newk,'r-o',x,t,'b--+');
legend('预测值','实际值');
xlabel('时间');
ylabel('cpi的值');
%对新数据进行预测 葡萄籽的作用
pnew=[length(t):length(t)+5];%预测2012年到2015年数据
pnewn=tramnmx(pnew,minp,maxp);%新数据归一化
anewn=sim(net,pnewn);
anew=postmnmx(anewn,mint,maxt)%还原得到预测值
