神经网络能对数据进行预测吗 数学建模

。

神经网络本身就是数学的逼近模型，网络最早是由数学中的函数逼近技术而来，按照统计学规律，组合成线性叠加网络，从中分析出一些现实中高度非线性的模型，神经网络本身就是个数学建模，只是经过整理后更容易进行工程实践了，至于预测那是当然可以的。

谷歌人工智能写作项目：小发猫

数学建模中，想用神经网络，可是给的数据既有定量数据由于定性数据，怎么进行处理 20

01年北大数学建模B题（用神经网络解的过程） 100

数学建模里面关于BP神经网络模型的问题 在通过训练得到隐层网络结构后怎么将权值和阈值标记在图中…

。

下半张图的每一个“NEURON”都依次代表上半张图中的一个点，第一个“NEURON”代表第一列第一个点，第二个“NEURON”代表第一列第二个点，第三个“NEURON”代表第一列第三个店，第四个“NEURON”代表第二列第一个点，以此类推。

bias代表该点的阈值，wight代表从该点出发的直线的权值，例如：第五个“NEURON”代表第二列第二个点，其bias=-3.5455131273就代表该点的阈值为-3.5455131273。

其第一个weight=10.0841641579，代表从该点出发的第一条直线（既从该点到第一列第一个点的直线）权值为10.0841641579。

该点第二个wight=2.呵呵，代表从该点出发的第二条直线（既该点到第一列第二个点的直线）权值为2.呵呵。依次类推。第一列的所有点都没有阈值。

什么是数学建模 应用在哪个具体领域 简略通俗

。

数学建模就是用数学语言描述实际现象的过程.这里的实际现象既包涵具体的自然现象比如自由落体现象,也包涵抽象的现象比如顾客对某种商品所取的价值倾向.这里的描述不但包括外在形态,内在机制的描述,也包括预测,试验和解释实际现象等内容.我们也可以这样直观地理解这个概念：数学建模是一个让纯粹数学家（指只懂数学不懂数学在实际中的应用的数学家）变成物理学家,生物学家,经济学家甚至心理学家等等的过程.数学模型一般是实际事物的一种数学简化.它常常是以某种意义上接近实际事物的抽象形式存在的,但它和真实的事物有着本质的区别.要描述一个实际现象可以有很多种方式,比如录音,录像,比喻,传言等等.为了使描述更具科学性,逻辑性,客观性和可重复性,人们采用一种普遍认为比较严格的语言来描述各种现象,这种语言就是数学.使用数学语言描述的事物就称为数学模型.有时候我们需要做一些实验,但这些实验往往用抽象出来了的数学模型作为实际物体的代替而进行相应的实验,实验本身也是实际操作的一种理论替代.数学是研究现实世界数量关系和空间形式的科学,在它产生和发展的历史长河中,一直是和各种各样的应用问题紧密相关的.数学的特点不仅在于概念的抽象性、逻辑的严密性,结论的明确性和体系的完整性,而且在于它应用的广泛性,进入20世纪以来,随着科学技术的迅速发展和计算机的日益普及,人们对各种问题的要求越来越精确,使得数学的应用越来越广泛和深入,特别是在即将进入21世纪的知识经济时代,数学科学的地位会发生巨大的变化,它正在从国或经济和科技的后备走到了前沿.经济发展的全球化、计算机的迅猛发展,数学理伦与方法的不断扩充使得数学已经成为当代高科技的一个重要组成部分和思想库,数学已经成为一种能够普遍实施的技术.培养学生应用数学的意识和能力已经成为数学教学的一个重要方面.应用数学去解决各类实际问题时,建立数学模型是十分关键的一步,同时也是十分困难的一步.建立教学模型的过程,是把错综复杂的实际问题简化、抽象为合理的数学结构的过程.要通过调查、收集数据资料,观察和研究实际对象的固有特征和内在规律,抓住问题的主要矛盾,建立起反映实际问题的数量关系,然后利用数学的理论和方法去分折和解决问题.这就需要深厚扎实的数学基础,敏锐的洞察力和想象力,对实际问题的浓厚兴趣和广博的知识面.数学建模是联系数学与实际问题的桥梁,是数学在各个领械广泛应用的媒介,是数学科学技术转化的主要途径,数学建模在科学技术发展中的重要作用越来越受到数学界和工程界的普遍重视,它已成为现代科技工作者必备的重要能力之.为了适应科学技术发展的需要和培养高质量、高层次科技人才,数学建模已经在大学教育中逐步开展,国内外越来越多的大学正在进行数学建模课程的教学和参加开放性的数学建模竞赛,将数学建模教学和竞赛作为高等院校的教学改革和培养高层次的科技人才的个重要方面,现在许多院校正在将数学建模与教学改革相结合,努力探索更有效的数学建模教学法和培养面向21世纪的人才的新思路,与我国高校的其它数学类课程相比,数学建模具有难度大、涉及面广、形式灵活,对教师和学生要求高等特点,数学建模的教学本身是一个不断探索、不断创新、不断完善和提高的过程.为了改变过去以教师为中心、以课堂讲授为主、以知识传授为主的传统教学模式,数学建模课程指导思想是：以实验室为基础、以学生为中心、以问题为主线、以培养能力为目标来组织教学工作.通过教学使学生了解利用数学理论和方法去分折和解决问题的全过程,提高他们分折问题和解决问题的能力；提高他们学习数学的兴趣和应用数学的意识与能力,使他们在以后的工作中能经常性地想到用数学去解决问题,提高他们尽量利用计算机软件及当代高新科技成果的意识,能将数学、计算机有机地结合起来去解决实际问题.数学建模以学生为主,教师利用一些事先设计好问题启发,引导学生主动查阅文献资料和学习新知识,鼓励学生积极开展讨论和辩论,培养学生主动探索,努力进取的学风,培养学生从事科研工作的初步能力,培养学生团结协作的精神、形成一个生动活泼的环境和气氛,教学过程的重点是创造一个环境去诱导学生的学习欲望、培养他们的自学能力,增强他们的数学素质和创新能力,提高他们的数举素质,强调的是获取新知识的能力,是解决问题的过程,而不是知识与结果.接受参加数学建模竞赛赛前培训的同学大都需要学习诸如数理统计、最优化、图论、微分方程、计算方法、神经网络、层次分析法、模糊数学,数学软件包的使用等等“短课程”（或讲座）,用的学时不多,多数是启发性的讲一些基本的概念和方法,主要是靠同学们自己去学,充分调动同学们的积极性,充分发挥同学们的潜能.培训中广泛地采用的讨论班方式,同学自己报告、讨论、辩论,教师主要起质疑、答疑、辅导的作用,竞赛中一定要使用计算机及相应的软件,如Mathemathmatica,Matlab,Mapple,甚至排版软件等.。

参加数学建模有哪些必学的算法

1.蒙特卡洛方法：又称计算机随机性模拟方法，也称统计实验方法。可以通过模拟来检验自己模型的正确性。

2.数据拟合、参数估计、插值等数据处理比赛中常遇到大量的数据需要处理，而处理的数据的关键就在于这些方法，通常使用matlab辅助，与图形结合时还可处理很多有关拟合的问题。

3.规划类问题算法：包括线性规划、整数规划、多元规划、二次规划等；竞赛中又很多问题都和规划有关，可以说不少的模型都可以归结为一组不等式作为约束条件，几个函数表达式作为目标函数的问题，这类问题，求解是关键。

这类问题一般用lingo软件就能求解。4.图论问题：主要是考察这类问题的算法，包括：Dijkstra、Floyd、Prime、Bellman-Ford，最大流、二分匹配等。

熟悉ACM的人来说，应该都不难。5.计算机算法设计中的问题：算法设计包括：动态规划、回溯搜索、分治、分支定界法（求解整数解）等。

6.最优化理论的三大非经典算法：a)模拟退火法（SA）b)神经网络（NN）c)遗传算法（GA）7.网格算法和穷举算法8.连续问题离散化的方法因为计算机只能处理离散化的问题，但是实际中数据大多是连续的，因此需要将连续问题离散化之后再用计算机求解。

如：差分代替微分、求和代替积分等思想都是把连续问题离散化的常用方法。9.数值分析方法主要研究各种求解数学问题的数值计算方法，特别是适用于计算机实现的方法与算法。

包括：函数的数值逼近、数值微分与数值积分、非线性返程的数值解法、数值代数、常微分方程数值解等。主要应用matlab进行求解。10.图像处理算法这部分主要是使用matlab进行图像处理。

包括展示图片，进行问题解决说明等。

数学建模 有一种学派 叫神经网络派 无论什么问题

一种神经网络建模方法。属于智能信息处理技术领域。

基于结构风险最小化原则，结合合作协作进化算法，同时进行神经网络的网络结构和连接权值学习，最终得到网络结构和连接权值之间最优折衷，方法具体包括数据处理、网络学习和网络估计预测三个基本步骤。

同时进行网络结构和连接权值的学习，较好地解决了传统神经网络学习中存在的结果与初始值相关、收敛速度慢、易陷于局部最小值、误差函数必须可导、过学习等实际问题，提高了网络的学习能力和泛化能力。

可应用于心脏病智能诊断、工业领域中的故障诊断、软测量等，经济领域的股票价格预测、商品价格预测等。