首页 > 代码库 > BP神经网络在双色球彩票上的预测实验及实现
BP神经网络在双色球彩票上的预测实验及实现
人工智能和人工神经网络，提到这些可能有很多人都觉得很高深，很高级。但其实也有简单的，比如BP神经网络，就目前的人工神经网络发展看，除了深度学习算法的人工神经网络以外，应用最广泛的就是BP神经网络，BP神经网络能够快速发现并学习具备线性回归特征的问题。相信也有很多人想把它用在彩票分析上，处于爱好和玩的原因，我就来做一个实现。
BP神经网络的关键参数一般有3个，输入节点个数，隐藏节点个数，输出节点个数。双色球，自然输入输出都是7了。基本想法是，根据前一期的号码，推算下一期的号码。这样训练样本也很丰富，历史的中奖号码按照出奖顺序，依次传入作为训练样本即可。比较容易操作。
接下来，就是组织数据格式，要符合BP网络的算法要求了，BP神经网络训练时，只能接受小数作为输入，也就是输入数据的单向必须小于1.这好办，只需要将双色球的中奖号码除以100，形成一个2位小数，输出结果也是2位小数。甚至不需要乘100的操作，想必也能直接看懂结果
说动手就动手，先搞个BP神经网络的实现。如下：
package ghost.writer.logic;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.ObjectInputStream;
import java.io.ObjectOutputStream;
public class BPFactory {
/**
* BP神经网络元
*/
private static BP bp;
/**
* 初始化一个全新的bp神经网络
* @param inputSize
* @param hiddenSize
* @param outputSize
*/
public static void initialization(int inputSize,int hiddenSize,int outputSize) {
bp=new BP(inputSize, hiddenSize, outputSize);
}
/**
* 从文件数据中读取bp神经网络
* @param file
* @throws IOException
* @throws ClassNotFoundException
*/
public static void initialization(File file) throws IOException, ClassNotFoundException {
FileInputStream fi = new FileInputStream(file);
ObjectInputStream si = new ObjectInputStream(fi);
bp = (BP) si.readObject();
si.close();
}
/**
* 将目前的神经网络储存在指定文件
* @param file
* @throws IOException
*/
public static void save(File file) throws IOException {
FileOutputStream fo = new FileOutputStream(file);
ObjectOutputStream so = new ObjectOutputStream(fo);
so.writeObject(bp);
so.close();
}
/**
* 训练BP神经网络
* @param trainData
* @param target
*/
public static void train(double[] trainData, double[] target) {
bp.train(trainData, target);
}
/**
* 要求bp神经网络返回预测值
* @param inData
* @return
*/
public static double[] test(double[] inData) {
return bp.test(inData);
}
}
聪明的同学可能已经发现了，上面只是个工厂类，我们继续：
package ghost.writer.logic;
import java.io.Serializable;
import java.util.Random;
/**
* BPNN.
*
* @author RenaQiu
*
*/
public class BP implements Serializable {
/**
*
*/
private static final long serialVersionUID = 1L;
/**
* input vector.
*/
private final double[] input;
/**
* hidden layer.
*/
private final double[] hidden;
/**
* output layer.
*/
private final double[] output;
/**
* target.
*/
private final double[] target;
/**
* delta vector of the hidden layer .
*/
private final double[] hidDelta;
/**
* output layer of the output layer.
*/
private final double[] optDelta;
/**
* learning rate.
*/
private final double eta;
/**
* momentum.
*/
private final double momentum;
/**
* weight matrix from input layer to hidden layer.
*/
private final double[][] iptHidWeights;
/**
* weight matrix from hidden layer to output layer.
*/
private final double[][] hidOptWeights;
/**
* previous weight update.
*/
private final double[][] iptHidPrevUptWeights;
/**
* previous weight update.
*/
private final double[][] hidOptPrevUptWeights;
public double optErrSum = 0d;
public double hidErrSum = 0d;
private final Random random;
/**
* Constructor.
* <p>
* <strong>Note:</strong> The capacity of each layer will be the parameter
* plus 1. The additional unit is used for smoothness.
* </p>
*
* @param inputSize
* @param hiddenSize
* @param outputSize
* @param eta
* @param momentum
* @param epoch
*/
public BP(int inputSize, int hiddenSize, int outputSize, double eta,
double momentum) {
input = new double[inputSize + 1];
hidden = new double[hiddenSize + 1];
output = new double[outputSize + 1];
target = new double[outputSize + 1];
hidDelta = new double[hiddenSize + 1];
optDelta = new double[outputSize + 1];
iptHidWeights = new double[inputSize + 1][hiddenSize + 1];
hidOptWeights = new double[hiddenSize + 1][outputSize + 1];
random = new Random(20140106);
randomizeWeights(iptHidWeights);
randomizeWeights(hidOptWeights);
iptHidPrevUptWeights = new double[inputSize + 1][hiddenSize + 1];
hidOptPrevUptWeights = new double[hiddenSize + 1][outputSize + 1];
this.eta = eta;
this.momentum = momentum;
}
private void randomizeWeights(double[][] matrix) {
for (int i = 0, len = matrix.length; i != len; i++)
for (int j = 0, len2 = matrix[i].length; j != len2; j++) {
double real = random.nextDouble();
matrix[i][j] = random.nextDouble() > 0.5 ? real : -real;
}
}
/**
* Constructor with default eta = 0.25 and momentum = 0.3.
*
* @param inputSize
* @param hiddenSize
* @param outputSize
* @param epoch
*/
public BP(int inputSize, int hiddenSize, int outputSize) {
this(inputSize, hiddenSize, outputSize, 0.998, 0.001);
}
/**
* Entry method. The train data should be a one-dim vector.
*
* @param trainData
* @param target
*/
public void train(double[] trainData, double[] target) {
loadInput(trainData);
loadTarget(target);
forward();
calculateDelta();
adjustWeight();
}
/**
* Test the BPNN.
*
* @param inData
* @return
*/
public double[] test(double[] inData) {
if (inData.length != input.length - 1) {
throw new IllegalArgumentException("Size Do Not Match.");
}
System.arraycopy(inData, 0, input, 1, inData.length);
forward();
return getNetworkOutput();
}
/**
* Return the output layer.
*
* @return
*/
private double[] getNetworkOutput() {
int len = output.length;
double[] temp = new double[len - 1];
for (int i = 1; i != len; i++)
temp[i - 1] = output[i];
return temp;
}
/**
* Load the target data.
*
* @param arg
*/
private void loadTarget(double[] arg) {
if (arg.length != target.length - 1) {
throw new IllegalArgumentException("Size Do Not Match.");
}
System.arraycopy(arg, 0, target, 1, arg.length);
}
/**
* Load the training data.
*
* @param inData
*/
private void loadInput(double[] inData) {
if (inData.length != input.length - 1) {
throw new IllegalArgumentException("Size Do Not Match.");
}
System.arraycopy(inData, 0, input, 1, inData.length);
}
/**
* Forward.
*
* @param layer0
* @param layer1
* @param weight
*/
private void forward(double[] layer0, double[] layer1, double[][] weight) {
// threshold unit.
layer0[0] = 1.0;
for (int j = 1, len = layer1.length; j != len; ++j) {
double sum = 0;
for (int i = 0, len2 = layer0.length; i != len2; ++i)
sum += weight[i][j] * layer0[i];
layer1[j] = sigmoid(sum);
// layer1[j] = tansig(sum);
}
}
/**
* Forward.
*/
private void forward() {
forward(input, hidden, iptHidWeights);
forward(hidden, output, hidOptWeights);
}
/**
* Calculate output error.
*/
private void outputErr() {
double errSum = 0;
for (int idx = 1, len = optDelta.length; idx != len; ++idx) {
double o = output[idx];
optDelta[idx] = o * (1d - o) * (target[idx] - o);
errSum += Math.abs(optDelta[idx]);
}
optErrSum = errSum;
}
/**
* Calculate hidden errors.
*/
private void hiddenErr() {
double errSum = 0;
for (int j = 1, len = hidDelta.length; j != len; ++j) {
double o = hidden[j];
double sum = 0;
for (int k = 1, len2 = optDelta.length; k != len2; ++k)
sum += hidOptWeights[j][k] * optDelta[k];
hidDelta[j] = o * (1d - o) * sum;
errSum += Math.abs(hidDelta[j]);
}
hidErrSum = errSum;
}
/**
* Calculate errors of all layers.
*/
private void calculateDelta() {
outputErr();
hiddenErr();
}
/**
* Adjust the weight matrix.
*
* @param delta
* @param layer
* @param weight
* @param prevWeight
*/
private void adjustWeight(double[] delta, double[] layer,
double[][] weight, double[][] prevWeight) {
layer[0] = 1;
for (int i = 1, len = delta.length; i != len; ++i) {
for (int j = 0, len2 = layer.length; j != len2; ++j) {
double newVal = momentum * prevWeight[j][i] + eta * delta[i]
* layer[j];
weight[j][i] += newVal;
prevWeight[j][i] = newVal;
}
}
}
/**
* Adjust all weight matrices.
*/
private void adjustWeight() {
adjustWeight(optDelta, hidden, hidOptWeights, hidOptPrevUptWeights);
adjustWeight(hidDelta, input, iptHidWeights, iptHidPrevUptWeights);
}
/**
* Sigmoid.
*
* @param val
* @return
*/
private double sigmoid(double val) {
return 1d / (1d + Math.exp(-val));
}
private double tansig(double val) {
return 2d / (1d + Math.exp(-2 * val)) - 1;
}
}上面就是BP神经网络的核心实现类了，看上去很简单吧。注意哦，它可是有线性学习能力的！工具有了，还是先把训练数据准备好吧，读数据库什么的太隐晦，先用个数组做简单点，即使要改以后也很容易。毕竟是做实验嘛，如果成功了，中了个二等奖，精度不够，要更进一步训练，我想也就不用俺多说了~~~
package ghost.writer.data;
public class Data {
public static double[][] trainData_89feibo = {
{ 0.10, 0.13, 0.17, 0.28, 0.30, 0.32, 0.04 },
{ 0.10, 0.13, 0.14, 0.16, 0.21, 0.32, 0.14 },
{ 0.03, 0.07, 0.13, 0.18, 0.22, 0.25, 0.03 },
{ 0.08, 0.12, 0.15, 0.19, 0.28, 0.29, 0.02 },
{ 0.06, 0.07, 0.14, 0.21, 0.22, 0.24, 0.13 },
{ 0.03, 0.12, 0.13, 0.22, 0.30, 0.33, 0.14 },
{ 0.03, 0.04, 0.08, 0.14, 0.21, 0.28, 0.14 },
{ 0.08, 0.18, 0.19, 0.22, 0.27, 0.32, 0.06 },
{ 0.03, 0.12, 0.25, 0.26, 0.28, 0.29, 0.16 },
{ 0.13, 0.16, 0.19, 0.23, 0.26, 0.28, 0.05 },
{ 0.08, 0.11, 0.17, 0.21, 0.23, 0.24, 0.05 },
{ 0.03, 0.10, 0.18, 0.24, 0.27, 0.29, 0.09 },
{ 0.05, 0.07, 0.10, 0.13, 0.19, 0.20, 0.15 },
{ 0.05, 0.06, 0.07, 0.12, 0.13, 0.18, 0.12 },
{ 0.01, 0.06, 0.07, 0.19, 0.22, 0.27, 0.02 },
{ 0.10, 0.15, 0.18, 0.20, 0.23, 0.31, 0.12 },
{ 0.01, 0.09, 0.13, 0.22, 0.25, 0.32, 0.12 },
{ 0.07, 0.18, 0.19, 0.23, 0.29, 0.30, 0.02 },
{ 0.01, 0.03, 0.16, 0.17, 0.20, 0.32, 0.07 },
{ 0.01, 0.04, 0.09, 0.15, 0.22, 0.30, 0.06 },
{ 0.02, 0.07, 0.13, 0.20, 0.25, 0.27, 0.06 },
{ 0.07, 0.16, 0.17, 0.18, 0.30, 0.33, 0.06 },
{ 0.02, 0.03, 0.09, 0.10, 0.28, 0.30, 0.06 },
{ 0.05, 0.12, 0.21, 0.23, 0.26, 0.28, 0.09 },
{ 0.02, 0.08, 0.11, 0.14, 0.19, 0.33, 0.09 },
{ 0.02, 0.09, 0.13, 0.17, 0.20, 0.28, 0.11 },
{ 0.03, 0.06, 0.08, 0.14, 0.19, 0.32, 0.03 },
{ 0.04, 0.06, 0.09, 0.25, 0.30, 0.33, 0.14 },
{ 0.14, 0.23, 0.24, 0.26, 0.29, 0.30, 0.03 },
{ 0.09, 0.14, 0.23, 0.24, 0.26, 0.29, 0.03 },
{ 0.03, 0.05, 0.17, 0.18, 0.26, 0.27, 0.15 },
{ 0.07, 0.13, 0.17, 0.19, 0.22, 0.26, 0.13 },
{ 0.10, 0.11, 0.12, 0.23, 0.28, 0.32, 0.16 },
{ 0.01, 0.04, 0.10, 0.13, 0.21, 0.31, 0.13 },
{ 0.04, 0.13, 0.14, 0.20, 0.22, 0.30, 0.06 },
{ 0.05, 0.06, 0.12, 0.14, 0.19, 0.23, 0.09 },
{ 0.05, 0.07, 0.09, 0.11, 0.20, 0.21, 0.03 },
{ 0.02, 0.08, 0.12, 0.14, 0.16, 0.32, 0.16 },
{ 0.02, 0.04, 0.11, 0.13, 0.16, 0.26, 0.11 },
{ 0.02, 0.13, 0.19, 0.23, 0.24, 0.28, 0.05 },
{ 0.09, 0.15, 0.20, 0.21, 0.22, 0.24, 0.14 },
{ 0.04, 0.08, 0.12, 0.19, 0.21, 0.25, 0.13 },
{ 0.02, 0.05, 0.11, 0.23, 0.24, 0.29, 0.08 },
{ 0.04, 0.14, 0.24, 0.25, 0.28, 0.31, 0.10 },
{ 0.07, 0.11, 0.15, 0.21, 0.26, 0.31, 0.06 },
{ 0.01, 0.02, 0.08, 0.26, 0.29, 0.31, 0.14 },
{ 0.02, 0.04, 0.14, 0.18, 0.20, 0.22, 0.07 },
{ 0.01, 0.06, 0.15, 0.19, 0.28, 0.29, 0.10 },
{ 0.01, 0.02, 0.22, 0.28, 0.29, 0.30, 0.15 },
{ 0.05, 0.14, 0.17, 0.22, 0.23, 0.25, 0.07 },
{ 0.07, 0.15, 0.18, 0.19, 0.20, 0.26, 0.14 },
{ 0.05, 0.11, 0.20, 0.21, 0.26, 0.31, 0.03 },
{ 0.04, 0.08, 0.11, 0.14, 0.16, 0.20, 0.11 },
{ 0.05, 0.07, 0.09, 0.23, 0.27, 0.32, 0.01 },
{ 0.02, 0.04, 0.05, 0.06, 0.08, 0.16, 0.03 },
{ 0.02, 0.04, 0.09, 0.13, 0.18, 0.20, 0.07 },
{ 0.01, 0.02, 0.04, 0.15, 0.17, 0.28, 0.11 },
{ 0.01, 0.11, 0.23, 0.27, 0.31, 0.32, 0.09 },
{ 0.09, 0.11, 0.23, 0.30, 0.31, 0.32, 0.06 },
{ 0.07, 0.09, 0.11, 0.17, 0.28, 0.31, 0.11 },
{ 0.16, 0.21, 0.22, 0.28, 0.31, 0.32, 0.05 },
{ 0.09, 0.23, 0.24, 0.27, 0.29, 0.32, 0.08 },
{ 0.15, 0.17, 0.18, 0.21, 0.29, 0.32, 0.13 },
{ 0.01, 0.02, 0.03, 0.06, 0.08, 0.33, 0.13 },
{ 0.01, 0.06, 0.12, 0.13, 0.22, 0.31, 0.07 },
{ 0.04, 0.07, 0.11, 0.17, 0.24, 0.33, 0.09 },
{ 0.04, 0.06, 0.17, 0.21, 0.23, 0.33, 0.07 },
{ 0.03, 0.12, 0.16, 0.17, 0.18, 0.27, 0.08 },
{ 0.12, 0.15, 0.21, 0.26, 0.32, 0.33, 0.07 },
{ 0.04, 0.17, 0.19, 0.23, 0.24, 0.27, 0.10 },
{ 0.04, 0.15, 0.16, 0.24, 0.27, 0.28, 0.03 },
{ 0.07, 0.08, 0.11, 0.13, 0.21, 0.27, 0.08 },
{ 0.01, 0.05, 0.12, 0.13, 0.21, 0.22, 0.10 },
{ 0.03, 0.04, 0.05, 0.25, 0.30, 0.31, 0.04 },
{ 0.11, 0.12, 0.14, 0.20, 0.22, 0.29, 0.14 },
{ 0.12, 0.18, 0.21, 0.22, 0.27, 0.32, 0.11 },
{ 0.05, 0.07, 0.12, 0.19, 0.27, 0.31, 0.02 },
{ 0.06, 0.10, 0.13, 0.16, 0.23, 0.24, 0.15 },
{ 0.08, 0.20, 0.25, 0.30, 0.32, 0.33, 0.01 },
{ 0.02, 0.15, 0.16, 0.17, 0.19, 0.30, 0.08 },
{ 0.06, 0.11, 0.12, 0.14, 0.17, 0.22, 0.01 },
{ 0.09, 0.18, 0.25, 0.26, 0.30, 0.32, 0.11 },
{ 0.01, 0.15, 0.16, 0.25, 0.26, 0.29, 0.10 },
{ 0.03, 0.09, 0.10, 0.19, 0.28, 0.33, 0.09 },
{ 0.04, 0.06, 0.14, 0.16, 0.18, 0.29, 0.05 },
{ 0.08, 0.11, 0.13, 0.18, 0.28, 0.33, 0.10 },
{ 0.07, 0.11, 0.14, 0.19, 0.24, 0.29, 0.05 },
{ 0.03, 0.09, 0.15, 0.20, 0.27, 0.29, 0.01 },
{ 0.04, 0.21, 0.23, 0.31, 0.32, 0.33, 0.04 },
{ 0.06, 0.10, 0.11, 0.28, 0.30, 0.33, 0.12 },
{ 0.01, 0.04, 0.19, 0.22, 0.24, 0.25, 0.15 },
{ 0.15, 0.18, 0.23, 0.27, 0.32, 0.33, 0.04 },
{ 0.03, 0.04, 0.07, 0.17, 0.21, 0.27, 0.14 },
{ 0.08, 0.10, 0.12, 0.14, 0.18, 0.28, 0.14 },
{ 0.05, 0.14, 0.16, 0.21, 0.29, 0.30, 0.12 },
{ 0.08, 0.09, 0.19, 0.20, 0.25, 0.32, 0.16 },
{ 0.05, 0.07, 0.08, 0.20, 0.31, 0.33, 0.11 },
{ 0.09, 0.10, 0.13, 0.14, 0.21, 0.32, 0.02 },
{ 0.01, 0.08, 0.11, 0.19, 0.21, 0.24, 0.08 },
{ 0.05, 0.09, 0.13, 0.15, 0.17, 0.21, 0.13 },
{ 0.04, 0.09, 0.19, 0.22, 0.25, 0.29, 0.15 } };
public static double[][] target_89feibo = {
{ 0.10, 0.13, 0.14, 0.16, 0.21, 0.32, 0.14 },
{ 0.03, 0.07, 0.13, 0.18, 0.22, 0.25, 0.03 },
{ 0.08, 0.12, 0.15, 0.19, 0.28, 0.29, 0.02 },
{ 0.06, 0.07, 0.14, 0.21, 0.22, 0.24, 0.13 },
{ 0.03, 0.12, 0.13, 0.22, 0.30, 0.33, 0.14 },
{ 0.03, 0.04, 0.08, 0.14, 0.21, 0.28, 0.14 },
{ 0.08, 0.18, 0.19, 0.22, 0.27, 0.32, 0.06 },
{ 0.03, 0.12, 0.25, 0.26, 0.28, 0.29, 0.16 },
{ 0.13, 0.16, 0.19, 0.23, 0.26, 0.28, 0.05 },
{ 0.08, 0.11, 0.17, 0.21, 0.23, 0.24, 0.05 },
{ 0.03, 0.10, 0.18, 0.24, 0.27, 0.29, 0.09 },
{ 0.05, 0.07, 0.10, 0.13, 0.19, 0.20, 0.15 },
{ 0.05, 0.06, 0.07, 0.12, 0.13, 0.18, 0.12 },
{ 0.01, 0.06, 0.07, 0.19, 0.22, 0.27, 0.02 },
{ 0.10, 0.15, 0.18, 0.20, 0.23, 0.31, 0.12 },
{ 0.01, 0.09, 0.13, 0.22, 0.25, 0.32, 0.12 },
{ 0.07, 0.18, 0.19, 0.23, 0.29, 0.30, 0.02 },
{ 0.01, 0.03, 0.16, 0.17, 0.20, 0.32, 0.07 },
{ 0.01, 0.04, 0.09, 0.15, 0.22, 0.30, 0.06 },
{ 0.02, 0.07, 0.13, 0.20, 0.25, 0.27, 0.06 },
{ 0.07, 0.16, 0.17, 0.18, 0.30, 0.33, 0.06 },
{ 0.02, 0.03, 0.09, 0.10, 0.28, 0.30, 0.06 },
{ 0.05, 0.12, 0.21, 0.23, 0.26, 0.28, 0.09 },
{ 0.02, 0.08, 0.11, 0.14, 0.19, 0.33, 0.09 },
{ 0.02, 0.09, 0.13, 0.17, 0.20, 0.28, 0.11 },
{ 0.03, 0.06, 0.08, 0.14, 0.19, 0.32, 0.03 },
{ 0.04, 0.06, 0.09, 0.25, 0.30, 0.33, 0.14 },
{ 0.14, 0.23, 0.24, 0.26, 0.29, 0.30, 0.03 },
{ 0.09, 0.14, 0.23, 0.24, 0.26, 0.29, 0.03 },
{ 0.03, 0.05, 0.17, 0.18, 0.26, 0.27, 0.15 },
{ 0.07, 0.13, 0.17, 0.19, 0.22, 0.26, 0.13 },
{ 0.10, 0.11, 0.12, 0.23, 0.28, 0.32, 0.16 },
{ 0.01, 0.04, 0.10, 0.13, 0.21, 0.31, 0.13 },
{ 0.04, 0.13, 0.14, 0.20, 0.22, 0.30, 0.06 },
{ 0.05, 0.06, 0.12, 0.14, 0.19, 0.23, 0.09 },
{ 0.05, 0.07, 0.09, 0.11, 0.20, 0.21, 0.03 },
{ 0.02, 0.08, 0.12, 0.14, 0.16, 0.32, 0.16 },
{ 0.02, 0.04, 0.11, 0.13, 0.16, 0.26, 0.11 },
{ 0.02, 0.13, 0.19, 0.23, 0.24, 0.28, 0.05 },
{ 0.09, 0.15, 0.20, 0.21, 0.22, 0.24, 0.14 },
{ 0.04, 0.08, 0.12, 0.19, 0.21, 0.25, 0.13 },
{ 0.02, 0.05, 0.11, 0.23, 0.24, 0.29, 0.08 },
{ 0.04, 0.14, 0.24, 0.25, 0.28, 0.31, 0.10 },
{ 0.07, 0.11, 0.15, 0.21, 0.26, 0.31, 0.06 },
{ 0.01, 0.02, 0.08, 0.26, 0.29, 0.31, 0.14 },
{ 0.02, 0.04, 0.14, 0.18, 0.20, 0.22, 0.07 },
{ 0.01, 0.06, 0.15, 0.19, 0.28, 0.29, 0.10 },
{ 0.01, 0.02, 0.22, 0.28, 0.29, 0.30, 0.15 },
{ 0.05, 0.14, 0.17, 0.22, 0.23, 0.25, 0.07 },
{ 0.07, 0.15, 0.18, 0.19, 0.20, 0.26, 0.14 },
{ 0.05, 0.11, 0.20, 0.21, 0.26, 0.31, 0.03 },
{ 0.04, 0.08, 0.11, 0.14, 0.16, 0.20, 0.11 },
{ 0.05, 0.07, 0.09, 0.23, 0.27, 0.32, 0.01 },
{ 0.02, 0.04, 0.05, 0.06, 0.08, 0.16, 0.03 },
{ 0.02, 0.04, 0.09, 0.13, 0.18, 0.20, 0.07 },
{ 0.01, 0.02, 0.04, 0.15, 0.17, 0.28, 0.11 },
{ 0.01, 0.11, 0.23, 0.27, 0.31, 0.32, 0.09 },
{ 0.09, 0.11, 0.23, 0.30, 0.31, 0.32, 0.06 },
{ 0.07, 0.09, 0.11, 0.17, 0.28, 0.31, 0.11 },
{ 0.16, 0.21, 0.22, 0.28, 0.31, 0.32, 0.05 },
{ 0.09, 0.23, 0.24, 0.27, 0.29, 0.32, 0.08 },
{ 0.15, 0.17, 0.18, 0.21, 0.29, 0.32, 0.13 },
{ 0.01, 0.02, 0.03, 0.06, 0.08, 0.33, 0.13 },
{ 0.01, 0.06, 0.12, 0.13, 0.22, 0.31, 0.07 },
{ 0.04, 0.07, 0.11, 0.17, 0.24, 0.33, 0.09 },
{ 0.04, 0.06, 0.17, 0.21, 0.23, 0.33, 0.07 },
{ 0.03, 0.12, 0.16, 0.17, 0.18, 0.27, 0.08 },
{ 0.12, 0.15, 0.21, 0.26, 0.32, 0.33, 0.07 },
{ 0.04, 0.17, 0.19, 0.23, 0.24, 0.27, 0.10 },
{ 0.04, 0.15, 0.16, 0.24, 0.27, 0.28, 0.03 },
{ 0.07, 0.08, 0.11, 0.13, 0.21, 0.27, 0.08 },
{ 0.01, 0.05, 0.12, 0.13, 0.21, 0.22, 0.10 },
{ 0.03, 0.04, 0.05, 0.25, 0.30, 0.31, 0.04 },
{ 0.11, 0.12, 0.14, 0.20, 0.22, 0.29, 0.14 },
{ 0.12, 0.18, 0.21, 0.22, 0.27, 0.32, 0.11 },
{ 0.05, 0.07, 0.12, 0.19, 0.27, 0.31, 0.02 },
{ 0.06, 0.10, 0.13, 0.16, 0.23, 0.24, 0.15 },
{ 0.08, 0.20, 0.25, 0.30, 0.32, 0.33, 0.01 },
{ 0.02, 0.15, 0.16, 0.17, 0.19, 0.30, 0.08 },
{ 0.06, 0.11, 0.12, 0.14, 0.17, 0.22, 0.01 },
{ 0.09, 0.18, 0.25, 0.26, 0.30, 0.32, 0.11 },
{ 0.01, 0.15, 0.16, 0.25, 0.26, 0.29, 0.10 },
{ 0.03, 0.09, 0.10, 0.19, 0.28, 0.33, 0.09 },
{ 0.04, 0.06, 0.14, 0.16, 0.18, 0.29, 0.05 },
{ 0.08, 0.11, 0.13, 0.18, 0.28, 0.33, 0.10 },
{ 0.07, 0.11, 0.14, 0.19, 0.24, 0.29, 0.05 },
{ 0.03, 0.09, 0.15, 0.20, 0.27, 0.29, 0.01 },
{ 0.04, 0.21, 0.23, 0.31, 0.32, 0.33, 0.04 },
{ 0.06, 0.10, 0.11, 0.28, 0.30, 0.33, 0.12 },
{ 0.01, 0.04, 0.19, 0.22, 0.24, 0.25, 0.15 },
{ 0.15, 0.18, 0.23, 0.27, 0.32, 0.33, 0.04 },
{ 0.03, 0.04, 0.07, 0.17, 0.21, 0.27, 0.14 },
{ 0.08, 0.10, 0.12, 0.14, 0.18, 0.28, 0.14 },
{ 0.05, 0.14, 0.16, 0.21, 0.29, 0.30, 0.12 },
{ 0.08, 0.09, 0.19, 0.20, 0.25, 0.32, 0.16 },
{ 0.05, 0.07, 0.08, 0.20, 0.31, 0.33, 0.11 },
{ 0.09, 0.10, 0.13, 0.14, 0.21, 0.32, 0.02 },
{ 0.01, 0.08, 0.11, 0.19, 0.21, 0.24, 0.08 },
{ 0.05, 0.09, 0.13, 0.15, 0.17, 0.21, 0.13 },
{ 0.04, 0.09, 0.19, 0.22, 0.25, 0.29, 0.15 },
{ 0.02, 0.11, 0.19, 0.30, 0.32, 0.33, 0.09 }};
// 输入1期，输出1期，输入参数7个,减少输入的期数，长期无趋势短期也许会有
public static double[][] trainData_5num = {
{ 0.09, 0.18, 0.25, 0.26, 0.30, 0.32, 0.11 },
{ 0.01, 0.15, 0.16, 0.25, 0.26, 0.29, 0.10 },
{ 0.03, 0.09, 0.10, 0.19, 0.28, 0.33, 0.09 },
{ 0.04, 0.06, 0.14, 0.16, 0.18, 0.29, 0.05 },
{ 0.08, 0.11, 0.13, 0.18, 0.28, 0.33, 0.10 },
{ 0.07, 0.11, 0.14, 0.19, 0.24, 0.29, 0.05 },
{ 0.03, 0.09, 0.15, 0.20, 0.27, 0.29, 0.01 },
{ 0.04, 0.21, 0.23, 0.31, 0.32, 0.33, 0.04 } };
// 输入1期，输出1期，输出参数7个
public static double[][] target_5num = {
{ 0.01, 0.15, 0.16, 0.25, 0.26, 0.29, 0.10 },
{ 0.03, 0.09, 0.10, 0.19, 0.28, 0.33, 0.09 },
{ 0.04, 0.06, 0.14, 0.16, 0.18, 0.29, 0.05 },
{ 0.08, 0.11, 0.13, 0.18, 0.28, 0.33, 0.10 },
{ 0.07, 0.11, 0.14, 0.19, 0.24, 0.29, 0.05 },
{ 0.03, 0.09, 0.15, 0.20, 0.27, 0.29, 0.01 },
{ 0.04, 0.21, 0.23, 0.31, 0.32, 0.33, 0.04 },
{ 0.06, 0.10, 0.11, 0.28, 0.30, 0.33, 0.12 } };
// 输入1期，输出1期，输入参数7个
public static double[][] trainData = http://www.mamicode.com/{>
试验数据准备完毕，开始写个主类调用一下！看看是不是就发了，哈哈：package ghost.writer.start;
import ghost.writer.data.Data;
import ghost.writer.logic.BPFactory;
public class TestBP {
/**
* @param args
*/
public static void main(String[] args) {
// TODO Auto-generated method stub
// 7,18,7
BPFactory.initialization(7, 55, 7);
double[][] trainData = http://www.mamicode.com/Data.trainData_89feibo;>
运行此类，效果明显啊！1156次样本训练之后，test里的号码，如果是训练数据中出现过的，其test结果直接就是其后一期中出号码！这就是要发财的节奏啊！不过！各位也看到了，本博还在写博客，还在因为工作原因研究hadoop！本博对BP神经网络进行一番研究之后，发现隐层节点基本上将训练样本数据完全“记忆”了下来，因此在用训练样本数据做测试时，可以基本达到100%出现后一期号码。而当出现训练样本最后一条记录作为输入时，问题发生了。BP网络其实本身计算出了整个样本的各各输出的“平均”数，之后他将此数输出了出来。之所以发现这个规律，是连续2次跟进买号之后，发现每次输出的结果基本都一样。因为新产生的一注号码，毕竟对往届历史的N个号码影响很小。因此BP网络输出的看上去一直是一个均值。
游戏做完了，BP网络也熟悉了。随机事件规律发现的问题，还需要进一步的去探索，而创造一个人工智能来帮助人们发现未知的规律，那才是真真有趣的！~~最后希望结交更多的人工智能实现方面的人，一起找乐子。用彩票数据来训练，纯属一种玩乐的心态，学习是一件有趣的事，不要太当真。
BP神经网络在双色球彩票上的预测实验及实现
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。