Что такое входы, выходы и цели в ANN

Question

Я путаюсь с набором данных Inputs, выходами и целью. Я изучаю Искусственную Нейронную Сеть в Matlab, и я хотел использовать исторические данные (у меня есть уровень осадков и уровень воды за 20 лет назад), чтобы предсказать уровень воды в будущем (например, 2014). Итак, где мои входы, цели и результаты? Например, у меня есть данные листа Excel как [Column1-Date| Column2-Rainfall | Столбец3 | Уровень воды]

Я использую этот код для прогнозирования, но он не может предсказать в будущем, может кто-нибудь помочь мне исправить это снова? Спасибо.

%% 1. Importing data
Data_Inputs=xlsread('demo.xls'); % Import file

Training_Set=Data_Inputs(1:end,2);%specific training set

Target_Set=Data_Inputs(1:end,3); %specific target set

Input=Training_Set'; %Convert to row

Target=Target_Set'; %Convert to row

X = con2seq(Input); %Convert to cell

T = con2seq(Target); %Convert to cell

%% 2. Data preparation

N = 365; % Multi-step ahead prediction

% Input and target series are divided in two groups of data:
% 1st group: used to train the network

inputSeries  = X(1:end-N);

targetSeries = T(1:end-N);

inputSeriesVal  = X(end-N+1:end);

targetSeriesVal = T(end-N+1:end); 
% Create a Nonlinear Autoregressive Network with External Input
delay = 2;
inputDelays = 1:2;
feedbackDelays = 1:2;
hiddenLayerSize = 10;
net = narxnet(inputDelays,feedbackDelays,hiddenLayerSize);

% Prepare the Data for Training and Simulation
% The function PREPARETS prepares timeseries data for a particular network,
% shifting time by the minimum amount to fill input states and layer states.
% Using PREPARETS allows you to keep your original time series data unchanged, while
% easily customizing it for networks with differing numbers of delays, with
% open loop or closed loop feedback modes.

[inputs,inputStates,layerStates,targets] = preparets(net,inputSeries,{},targetSeries);

% Setup Division of Data for Training, Validation, Testing
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

% Train the Network
[net,tr] = train(net,inputs,targets,inputStates,layerStates);

% Test the Network
outputs = net(inputs,inputStates,layerStates);
errors = gsubtract(targets,outputs);
performance = perform(net,targets,outputs)

% View the Network
view(net)

% Plots
% Uncomment these lines to enable various plots.
%figure, plotperform(tr)
%figure, plottrainstate(tr)
%figure, plotregression(targets,outputs)
%figure, plotresponse(targets,outputs)
%figure, ploterrcorr(errors)
%figure, plotinerrcorr(inputs,errors)

% Closed Loop Network
% Use this network to do multi-step prediction.
 % The function CLOSELOOP replaces the feedback input with a direct
% connection from the outout layer.
netc = closeloop(net);
netc.name = [net.name ' - Closed Loop'];
view(netc)
[xc,xic,aic,tc] = preparets(netc,inputSeries,{},targetSeries);
yc = netc(xc,xic,aic);
closedLoopPerformance = perform(netc,tc,yc)

% Early Prediction Network
% For some applications it helps to get the prediction a timestep early.
% The original network returns predicted y(t+1) at the same time it is given y(t+1).
% For some applications such as decision making, it would help to have predicted
% y(t+1) once y(t) is available, but before the actual y(t+1) occurs.
% The network can be made to return its output a timestep early by removing one delay
% so that its minimal tap delay is now 0 instead of 1.  The new network returns the
% same outputs as the original network, but outputs are shifted left one timestep.
nets = removedelay(net);
nets.name = [net.name ' - Predict One Step Ahead'];
view(nets)
[xs,xis,ais,ts] = preparets(nets,inputSeries,{},targetSeries);
ys = nets(xs,xis,ais);
earlyPredictPerformance = perform(nets,ts,ys)

%% 5. Multi-step ahead prediction

inputSeriesPred  = [inputSeries(end-delay+1:end),inputSeriesVal];

targetSeriesPred = [targetSeries(end-delay+1:end), con2seq(nan(1,N))];

[Xs,Xi,Ai,Ts] = preparets(netc,inputSeriesPred,{},targetSeriesPred);

yPred = netc(Xs,Xi,Ai);

perf = perform(net,yPred,targetSeriesVal);

figure;

plot([cell2mat(targetSeries),nan(1,N);
  nan(1,length(targetSeries)),cell2mat(yPred);
  nan(1,length(targetSeries)),cell2mat(targetSeriesVal)]')

legend('Original Targets','Network Predictions','Expected Outputs');

Answer 1

Входы и цели - это данные, которые вы используете для обучения сети. Входы и цели - это правильные данные, которые известны. После обучения сети вы снова отправляете только входные данные, и ваш результат будет прогнозироваться на основе входных данных и целей, которые вы отправили на тренинге. Таким образом, ваши цели будут правильным выводом для данных, которые вы уже знаете.

Как я понимаю, вы пытаетесь предсказать будущее, а о будущем у вас есть только дата? Если я не прав, поправьте меня. Итак, в этом случае:

Перед тренировкой:

input1 = date; input2 = rainFall;
input = [input1; input2];
target = waterLevel;

Поскольку вы хотите получить результат об уровне воды в сети, вашими целями должен быть уровень воды. Теперь вы тренируетесь в сети;

..train(net, input, target..

После тренировки Сейчас, как вы сказали, вы хотите предсказать уровень воды, но вы указали только дату, например, 2015-11-11, поэтому в этом случае это невозможно, потому что вам нужна информация о дожде, так что если вы все еще хотите прогнозировать уровень воды на основе на сегодняшний день вам тоже нужно предсказать падение дождя или устранить его, потому что это не помогает, когда вы его больше не знаете.

Answer 2

Я бы сказал, что ваши входные данные - это и уровень осадков, и уровень воды, целевой уровень - уровень воды на следующий год, а выходной - прогнозируемый уровень воды.

Другими словами, при обучении ваш вклад должен быть rainfall(k-2:k-1) (прямой ввод) и waterlevel(k-2:k-1) (в качестве обратной связи). Ваша цель waterlevel(k), Это должно вывести оценку уровня воды за год k (waterlevel_hat(k)). Вы можете вычислить ошибку e = waterlevel_hat(k) - waterlevel(k) и использовать его для обучения сети. Вы должны повторить один и тот же процесс для всех k > 2 (причина в том, что у вас есть 2 задержки ввода и 2 задержки обратной связи).