循环神经网络 股票

rnn 是循环神经网络还是递归神经网络

相比与普通神经网络的各计算结果之间相互独立的特点，RNN的每一次隐含层的计算结果都与当前输入以及上一次的隐含层结果相关。

通过这种方法，RNN的计算结果便具备了记忆之前几次结果的特点。

典型的RNN网路结构如下：...

为什么我用神经网络设计出的股票预测模型,预测结果老是和实际值相...

好久没回答问题了，今天来一发。

我猜你输入的数据里一定有股价（包括开盘收盘均价等），然后训练过程中训练函数发现当处理这些数据的神经元权重达到很大的值之后，训练误差会降到很小的水平，小到比其他权重安排方法还要小（局部极小）。

所以训练好的网络实际上变成了平移过去数据，就成了你看到的样子。

如何有效的区分和理解RNN循环神经网络与递归神经网络

NN建立在与FNN相同的计算单元上，以牺牲计算的功能性为代价来简化这一训练过程，其中信息从输入单元向输出单元单向流动，在这些连通模式中并不存在不定向的循环。

FNN是建立在层面之上。

因此，为了创建更为强大的计算系统，我们允许RNN打破这些人为设定强加性质的规定，神经元在实际中是允许彼此相连的，两者之间区别在于：组成这些神经元相互关联的架构有所不同，我们还是加入了这些限制条件。

事实上：RNN无需在层面之间构建，同时定向循环也会出现。

尽管大脑的神经元确实在层面之间的连接上包含有不定向循环

循环神经网络的反向传播

可以采用MATLAB软件中的神经网络工具箱来实现BP神经网络算法。

BP神经网络的学习过程由前向计算过程、误差计算和误差反向传播过程组成。

双含隐层BP神经网络的MATLAB程序，由输入部分、计算部分、输出部分组成，其中输入部分包括网络参数与训练样本数据的输入、初始化权系、求输入输出模式各分量的平均值及标准差并作相应数据预处理、读入测试集样本数据并作相应数据预处理；计算部分包括正向计算、反向传播、计算各层权矩阵的增量、自适应和动量项修改各层权矩阵；输出部分包括显示网络最终状态及计算值与期望值之间的相对误差、输出测试集相应结果、显示训练，测试误差曲线。

展开全部...

如何有效的区分和理解RNN循环神经网络与递归神经网络

RNN建立在与FNN相同的计算单元上，两者之间区别在于：组成这些神经元相互关联的架构有所不同。

FNN是建立在层面之上，其中信息从输入单元向输出单元单向流动，在这些连通模式中并不存在不定向的循环。

尽管大脑的神经元确实在层面之间的连接上包含有不定向循环，我们还是加入了这些限制条件，以牺牲计算的功能性为代价来简化这一训练过程。

因此，为了创建更为强大的计算系统，我们允许RNN打破这些人为设定强加性质的规定：RNN无需在层面之间构建，同时定向循环也会出现。

事实上，神经元在实际中是允许彼此相连的。