神经网络预测时间序列上的优势 神经网络只能做到通过现象给出拟合公式吗？适用范围有哪些？

神经网络预测时间序列上的优势

神经网络只能做到通过现象给出拟合公式吗？适用范围有哪些？

神经网络只能做到通过现象给出拟合公式吗？适用范围有哪些？

通常神经网络不会给出公式，因为通常情况下参数非常多，比如有些用于图像分类的卷及神经网络，经常有几十层，参数能达到几千万或更好的数量级。
因此神经网络通常给出的是结构，对于卷及神经网络会给出卷积核大小，filter数等等，在这不做赘述。
神经网络的适用范围还是很多的，比如多层感知器MLP可以通过几个自变量来预测因变量，这算是最简单的神经网络结构，好多非人工智能领域的简单模型仅有三层，且隐藏层神经元数量不多。
卷积神经网络CNN(Xception, Interception, VGG16, VGG19, ResNet等)通常用来做图片分类，循环神经网络RNN(包括LSTM, NARX等）通常用于时间序列分析，自然语言分析等。
你可以学习下Coursera 上Andrew Ng的Machine Learning和Deep learning 等课程，介绍的很详细，而且课程是免费的。
在中国知网或Web of Science或者CSDN可以搜索到很多相关模型的应用案例或研究。
回答的有些乱，希望对你有些许帮助。

循环神经网络属于哪一种网络？

循环网络，是一种人工神经网络（ANN），用来识别数据序列中的模式。

不同频率的时间序列用什么神经网络model来叠加？

循环神经网络吧？一般考虑时间的都需要神经网络有记忆功能，循环神经网络还有LSTM单元之类的应该都可以。

人工智能在作物育种中的应用？

应用分子生物学基础，预测基因的时空表达特异性、转录因子结合位点、开放染色质、各种表观遗传印记、染色体重组位点等。
克服传统线性模型的弱点，精确预测低频/罕见变异的分子表型和田间表型效应。
未来可以在计算机中对基因组DNA序列进行虚拟诱变，并利用神经网络模型预测变异的后果，从中挑选符合预期目标的变异序列进行实验验证，从而实现低成本定点定向设计育种。

神经工程和神经科学是什么关系？

神经工程背后的基本原理涉及神经元、神经网络和神经系统功能与量化模型之间的关系，以帮助开发可解释和控制信号并产生有目的的反应的设备。
神经科学上来说，身体用来影响思想、感官、运动和生存的信息是通过神经冲动来传导的，这些神经冲动传播到脑组织和身体其他部位。神经元是神经系统的基本功能单位，并且是高度专业化的细胞，能够发送这些信号来操作生存和生活质量所需的高级和低级功能。神经元具有特殊的电化学特性，使他们能够处理信息，然后将该信息传输到其他细胞。神经元活动依赖于神经膜电位以及沿着它发生的变化。一种称为膜电位的恒定电压通常通过神经元膜上特定离子的某些浓度来维持，电压的中断或变化会在膜上产生不平衡或极化。膜超过其阈值电位的去极化产生动作电位，其是信号传输的主要来源，被称为神经系统的神经传递。动作电位导致离子通量级联下降并穿过轴突膜，产生有效的电压尖峰序列或“电信号”，其可以在其他细胞中传输进一步的电变化。信号可以通过影响电荷流动的电学，化学，磁学，光学和其他形式的刺激来产生，并且因此可以通过神经膜上的电压水平。
工程师使用可用于理解复杂神经系统并与其交互的定量工具，研究和生成负责神经组织中细胞外场电位和突触传递的化学、电、磁和光学信号的方法有助于研究人员调节神经系统活性。为了理解神经系统活动的特性，工程师们使用信号处理技术和计算模型。为了处理这些信号，神经工程师必须将神经膜上的电压转换成相应的代码，这一过程称为神经编码。神经编码使用关于大脑如何以中心模式发生器（CPG），运动向量，小脑内部模型和躯体视图形式编码简单命令的研究来了解运动和感觉现象。在神经科学领域对这些信号进行解码是神经元了解传输给它们的电压的过程。
了解更多硅谷前沿深度讯息请看 硅发布 微信公众号