R 神经网络在时间序列的最大步长内不收敛

我正在编写一个神经网络来预测时间序列中的元素x + sin(x^2)在 R 中，使用neuralnet包裹。这就是训练数据的生成方式，假设窗口有 4 个元素，最后一个元素是必须预测的元素：

nntr0 <- ((1:25) + sin((1:25)^2))
nntr1 <- ((2:26) + sin((2:26)^2))
nntr2 <- ((3:27) + sin((3:27)^2))
nntr3 <- ((4:28) + sin((4:28)^2))
nntr4 <- ((5:29) + sin((5:29)^2))

然后，我将它们转换为 data.frame：

nntr <- data.frame(nntr0, nntr1, nntr2, nntr3, nntr4)

然后，我继续训练神经网络：

net.sinp <- neuralnet(nntr4 ~ nntr0 + nntr1 + nntr2 + nntr3, data=nntr, hidden=10, threshold=0.04, act.fct="tanh", linear.output=TRUE, stepmax=100000)

过了一会儿，这给了我消息

Warning message:
algorithm did not converge in 1 of 1 repetition(s) within the stepmax 
Call: neuralnet(formula = nntr4 ~ nntr0 + nntr1 + nntr2 + nntr3, data = nntr,     hidden = 10, threshold = 0.04, stepmax = 100000, act.fct = "tanh", linear.output = TRUE)

谁能帮我弄清楚为什么它不收敛？非常感谢

Warning message: algorithm did not converge in 1 of 1 repetition(s) within the stepmax意味着你的算法在收敛之前达到了有限的步骤。如果您输入?neuralnet并查看 stepmax 的定义，

神经网络训练的最大步数。达到此最大值会导致神经网络训练过程停止。

对于你的问题，我建议你将stepmax值增加到1e7，看看会发生什么。

代码将是，

net.sinp <- neuralnet(nntr4 ~ nntr0 + nntr1 + nntr2 + nntr3, data=nntr, hidden=10, threshold=0.04, act.fct="tanh", linear.output=TRUE, stepmax=1e7)