IS71083A金融数据建模课程作业为密度神经网络实施增量（在线）训练算法设计并实施用于训练密度神经网络（DNN）的增量反向传播算法。DNN网络不仅计算目标分布的均值，还计算与第二个输出节点的方差。这就是为什么您必须开发反向传播算法来训练通向下图中给出的DNN中两个输出节点中的每一个的所有权重。使用似是而非的随机生成的权重开始训练过程。设计训练算法后，将其应用于模型并预测时间序列，使用Mackey-Glass方程（可在讲义中找到）生成。如有必要，使用更多滞后输入和隐藏单元以实现更好的预测。总结设计工作原型Matlab中DNN密度网络增量反向传播的研究。原型开发应该在包括输入到隐藏和隐藏到输出连接的数据结构，以及前向和后向传递的循环。参考资料：D.A.Nix和E.Weigend(1994)。估计目标概率分布的均值和方差，In:Proc.1994IEEE诠释。会议。关于神经网络(ICNN'94)，奥兰多，佛罗里达州，第55-60页。NikolayNikolaev和HitoshiIba(2006)。“多项式网络的自适应学习：遗传规划、反向传播和贝叶斯方法”，Springer，纽约，第.256-262.WX：代码帮助
