elman和bp網路哪個好

A. elman神經網路能夠解決的問題,還有其他什麼網路能夠更好的解決

還可以使用GRNN神經網路，效果非常好，並且訓練速度非常快。廣義回歸神經網路GRNN：徑向基神經元和線性神經元可以建立廣義回歸神經網路，它是徑RBF網路的一種變化形式，經常用於函數逼近。在某些方面比RBF網路更具優勢。
在MATLAB中，直接使用net=newgrnn(P,T,spread)就能以非常快的速度設計出一個GRNN網路，其進行訓練及預測時，效果非常好，不會比elman神經網路差。擴展常數SPREAD不能太小，才能使部分徑向基神經元能夠對輸入向量所覆蓋的區間產生相應，但也不能太大，否則計算困難。可以通過試湊來獲得最佳擴展常數。

B. elman神經網路和rnn有什麼關系

深度學習是多層的神經網路。RNN和elman神經網路是深度學習的主要內容之一。深度學習絕不僅僅是多層的神經網路。網路必須擁有一定的」記憶能力」。為了賦予網路這樣的記憶力，一種特殊結構的神經網路——遞歸神經網路(Recurrent Neural Network)便應運而生了。Elman神經網路是 J. L. Elman於1990年首先針對語音處理問題而提出來的，是一種典型的局部回歸網路( global feed forward local recurrent)。

C. PNN神經網路,BP神經網路,Elman神經網路,ANN神經網路,幾種神經網路中哪個容錯能力最強

多層前向BP網路是目前應用最多的一種神經網路形式, 它具備神經網路的普遍優點！

D. bp神經網路函數中哪個預測性能好

traingdm是帶動量的梯度下降法，trainlm是指L-M優化演算法，trainscg是指量化共軛梯度法，除此之外還有traingdx、traingda等，都是權值的訓練演算法。看MATLAB結合神經網路的基礎書上都有介紹。tansig和logsig 統稱Sigmoid函數，logsig是單極性S函數，tansig是雙極性S函數，也叫雙曲正切函數，purelin是線性函數，是節點的傳輸函數。

學習函數和訓練函數的區別：學習函數的輸出是權值和閾值的增量，訓練函數的輸出是訓練好的網路和訓練記錄，在訓練過程中訓練函數不斷調用學習函數修正權值和閾值，通過檢測設定的訓練步數或性能函數計算出的誤差小於設定誤差，來結束訓練。

下面是幾個模擬實驗，用了不同的訓練函數：
1.創建BP網路的學習函數，訓練函數和性能函數都採用default值，分別為learngdm,trainlm和mse時的逼近結果：
由此可見，進過200次訓練後，雖然網路的性能還沒有為0，但是輸出均方誤差已經很小了，MSE=6.72804e-0.06,顯示的結果也證明P和T之間非線性映射關系的擬合是非常精確的；
2.建立一個學習函數為learnd，訓練函數為traingd,和性能函數為msereg的BP網路，來完成擬合任務:
可見，經過200次訓練後，網路的輸出誤差比較大，而且網路誤差的收斂速度非常慢。這是由於訓練函數traingd為單純的梯度下降訓練函數，訓練速度比較慢，而且容易陷入局部最小的情況。結果顯示網路精度確實比較差。
3.將訓練函數修改為traingdx，該i函數也是梯度下降法訓練函數，但是在訓練過程中，他的學習速率是可變的
在200次訓練後，以msereg函數評價的網路性能為1.04725，已經不是很大,結果顯示P和T之間非線性關系的擬合情況不錯，網路的性能不錯。

E. 用BP或elman神經網路實現風速預測程序怎麼寫

x=[6.2 ,5.8 ,5.5 , 5.6 ,5.4 ,5.1 ,5.2 , 5.2 ,5.1 ,4.9 ,4.8 ,5 ,5.2 ,5.3 ...
,5.2 ,5.1 ,5.1 ,5 ,4.8 , 4.9 ,5.3 ,5.4 ,5.3 ,5.3 ,5.5 ,5.2 ,4.6 ,4.9 ...
,4.9 ,5.4 ,5.4 ,5.5 ,5.4 ,5.1 ,5 ,5.1 ,5.2 ,4.9 ,5.2 ,5.1 ,5.1 ,4.8 ,...
3.8 ,3.4 ,3.8 ,3.9 ,3.8 ,3.7 ,3.6 ,2.9 ,3.1 ,3.7 ,3.9 ,3.7 ,3.7 ,3.8 ,...
3.6 ,3.7 ,2.7 ,2.8 ,1.9 ,2.7 ,2.9 ,2.8 ,3.5 ,3.6 ,3.7 ,3.3 ,3.6 ,3.5 ,...
4.3 ,4.4 ,3.9 ,4.5 ,4.2 ,4.9 ,4.5 ,4.6 4.8, 5.7, 5.6, 5.6, 5.6, 5.6, ...
5.6,5.6, 5.6, 5.6, 5.6, 5.6,5.6 ,5.6,5.6 ,5.6 ,5.6 ,5.6 ,5.6 ,5.6 ,5.6 ...
,5.6 ,5.6 ,5.6 ,5.6 ,5.5 ,5.5 ,5.2 ,3.6 ,5.6 ,4.5 ,6.1,6.2 ,5.6 ,6.4 ,...
5.5 ,4.8 ,5.1 ,6.1 ,5.5 ,4.6 ,4.3 ,6.7 ,5.9 ,4.8 ,5.8 ,5.7 ,5.7 ,5.4 ,...
5.9 ,5.7 ,6.2 ,5.2 ,4.6 ,4.1 ,4.3 ,4.3 ,4.1 ,3.9 ,3.8 ,4.3 ,4.6,4.2,...
4.1 ,4.5 ,4.3 ,3.7 ,3.1 ,2.7 ,2.9 ,2.4 ,3 ,2.8 ,2.8];
% 該腳本用來做NAR神經網路預測
% 作者：Macer程
lag=3; % 自回歸階數
iinput=x; % x為原始序列（行向量）
n=length(iinput);

%准備輸入和輸出數據
inputs=zeros(lag,n-lag);
for i=1:n-lag
inputs(:,i)=iinput(i:i+lag-1)';
end
targets=x(lag+1:end);

%創建網路
hiddenLayerSize = 10; %隱藏層神經元個數
net = fitnet(hiddenLayerSize);

% 避免過擬合,劃分訓練,測試和驗證數據的比例
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

%訓練網路
[net,tr] = train(net,inputs,targets);
%% 根據圖表判斷擬合好壞
yn=net(inputs);
errors=targets-yn;
figure, ploterrcorr(errors) %繪制誤差的自相關情況（20lags）
figure, parcorr(errors) %繪制偏相關情況
%[h,pValue,stat,cValue]= lbqtest(errors) %Ljung－Box Q檢驗（20lags）
figure,plotresponse(con2seq(targets),con2seq(yn)) %看預測的趨勢與原趨勢
%figure, ploterrhist(errors) %誤差直方圖
%figure, plotperform(tr) %誤差下降線

%% 下面預測往後預測幾個時間段
fn=5; %比如預測步數為fn.
f_in=iinput(n-lag+1:end)';
f_out=zeros(1,fn); %預測輸出
% 多步預測時,用下面的循環將網路輸出重新輸入
for i=1:fn
f_out(i)=net(f_in);
f_in=[f_in(2:end);f_out(i)];
end
% 畫出預測圖
figure,plot(1:n,iinput,'b',n:n+fn,[iinput(end),f_out],'r')

F. bp神經網路和hopfield神經網路有什麼區別

BP神經網路是ANN人工神經中的一種，常用的神經網路有BP、RBF、SOM、Hopfield等等，其功穿駭扁較壯記憋席鉑蘆能不經相同，可總體來說ANN的主要功能是模式識別和分類訓練。

G. NARX神經網路一定比BP神經網路更好嗎如果是，具體好在哪

這看你要解決什麼問題了，narx網路是為了給bp網路增加一定的序列學習能力，如果你有序列任務需求的話可以考慮採用narx網路。
單獨的說好不好並沒有意義

H. 求大神幫忙，用BP或elman神經網路實現風速預測程序怎麼寫

x=[6.2 ,5.8 ,5.5 , 5.6 ,5.4 ,5.1 ,5.2 , 5.2 ,5.1 ,4.9 ,4.8 ,5 ,5.2 ,5.3 ...
,5.2 ,5.1 ,5.1 ,5 ,4.8 , 4.9 ,5.3 ,5.4 ,5.3 ,5.3 ,5.5 ,5.2 ,4.6 ,4.9 ...
,4.9 ,5.4 ,5.4 ,5.5 ,5.4 ,5.1 ,5 ,5.1 ,5.2 ,4.9 ,5.2 ,5.1 ,5.1 ,4.8 ,...
3.8 ,3.4 ,3.8 ,3.9 ,3.8 ,3.7 ,3.6 ,2.9 ,3.1 ,3.7 ,3.9 ,3.7 ,3.7 ,3.8 ,...
3.6 ,3.7 ,2.7 ,2.8 ,1.9 ,2.7 ,2.9 ,2.8 ,3.5 ,3.6 ,3.7 ,3.3 ,3.6 ,3.5 ,...
4.3 ,4.4 ,3.9 ,4.5 ,4.2 ,4.9 ,4.5 ,4.6 4.8, 5.7, 5.6, 5.6, 5.6, 5.6, ...
5.6,5.6, 5.6, 5.6, 5.6, 5.6,5.6 ,5.6,5.6 ,5.6 ,5.6 ,5.6 ,5.6 ,5.6 ,5.6 ...
,5.6 ,5.6 ,5.6 ,5.6 ,5.5 ,5.5 ,5.2 ,3.6 ,5.6 ,4.5 ,6.1,6.2 ,5.6 ,6.4 ,...
5.5 ,4.8 ,5.1 ,6.1 ,5.5 ,4.6 ,4.3 ,6.7 ,5.9 ,4.8 ,5.8 ,5.7 ,5.7 ,5.4 ,...
5.9 ,5.7 ,6.2 ,5.2 ,4.6 ,4.1 ,4.3 ,4.3 ,4.1 ,3.9 ,3.8 ,4.3 ,4.6,4.2,...
4.1 ,4.5 ,4.3 ,3.7 ,3.1 ,2.7 ,2.9 ,2.4 ,3 ,2.8 ,2.8];
% 該腳本用來做NAR神經網路預測
% 作者：Macer程
lag=3; % 自回歸階數
iinput=x; % x為原始序列（行向量）
n=length(iinput);

%准備輸入和輸出數據
inputs=zeros(lag,n-lag);
for i=1:n-lag
inputs(:,i)=iinput(i:i+lag-1)';
end
targets=x(lag+1:end);

%創建網路
hiddenLayerSize = 10; %隱藏層神經元個數
net = fitnet(hiddenLayerSize);

% 避免過擬合，劃分訓練，測試和驗證數據的比例
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

%訓練網路
[net,tr] = train(net,inputs,targets);
%% 根據圖表判斷擬合好壞
yn=net(inputs);
errors=targets-yn;
figure, ploterrcorr(errors) %繪制誤差的自相關情況（20lags）
figure, parcorr(errors) %繪制偏相關情況
%[h,pValue,stat,cValue]= lbqtest(errors) %Ljung－Box Q檢驗（20lags）
figure,plotresponse(con2seq(targets),con2seq(yn)) %看預測的趨勢與原趨勢
%figure, ploterrhist(errors) %誤差直方圖
%figure, plotperform(tr) %誤差下降線


%% 下面預測往後預測幾個時間段
fn=5; %比如預測步數為fn。
f_in=iinput(n-lag+1:end)';
f_out=zeros(1,fn); %預測輸出
% 多步預測時，用下面的循環將網路輸出重新輸入
for i=1:fn
f_out(i)=net(f_in);
f_in=[f_in(2:end);f_out(i)];
end
% 畫出預測圖
figure,plot(1:n,iinput,'b',n:n+fn,[iinput(end),f_out],'r')

效果不是很好，但未來5個點風速應該是增大的。

I. BP網路是什麼

我們最常用的神經網路就是BP網路，也叫多層前饋網路。BP是back propagation的所寫，是反向傳播的意思。我以前比較糊塗，因為一直不理解為啥一會叫前饋網路，一會叫BP（反向傳播）網路，不是矛盾嗎？其實是這樣的，前饋是從網路結構上來說的，是前一層神經元單向饋入後一層神經元，而後面的神經元沒有反饋到之前的神經元；而BP網路是從網路的訓練方法上來說的，是指該網路的訓練演算法是反向傳播演算法，即神經元的鏈接權重的訓練是從最後一層（輸出層）開始，然後反向依次更新前一層的鏈接權重。因此二者並不矛盾，只是我沒有理解其精髓而已。

隨便提一下BP網路的強大威力：
1）任何的布爾函數都可以由兩層單元的網路准確表示，但是所需的隱藏層神經元的數量隨網路輸入數量呈指數級增長；
2）任意連續函數都可由一個兩層的網路以任意精度逼近。這里的兩層網路是指隱藏層使用sigmoid單元、輸出層使用非閾值的線性單元；
3）任意函數都可由一個三層的網路以任意精度逼近。其兩層隱藏層使用sigmoid單元、輸出層使用非閾值的線性單元。
參考資料：【注】參考自《機器學習》

J. Elman神經網路和回聲狀態網路哪個好

BP等前饋型神經網路是將動態時間建模問題變為靜態空間建模問題，同時還需對模型結構進行定介，特別是隨系統階次的增加或階次未知，迅速擴大的網路結構使網路學習的收斂速度減慢，並造成網路輸入節點過多、訓練困難及對外部雜訊敏感等弊病。
Elman回歸神經網路是在BP網路基本結構的基礎上，通過存儲內部狀態使其具備映射的動態特徵功能，從而使系統具有適應時變特性的能力。