bp神經網路閥值怎麼調

『壹』 BP神經網路中初始權值和閾值的設定

首先需要了解BP神經網路是一種多層前饋網路。以看一下在matlab中BP神經網路的訓練函數，有梯度下降法traingd,彈性梯度下降法trainrp，自適應lr梯度下降法traingda等。

因為初始值（初始權值和閥值）都在x這個向量中，x（n，1）的長度n為：n=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum

其中inputnum*hiddennum是輸入層到隱含層的權值數量，hiddennum是隱含層神經元個數（即隱含層閥值個數），hiddennum*outputnum是隱含層到輸出層權值個數，outputnum是輸出層神經元個數（即輸出層閥值個數）。

結構

BP網路是在輸入層與輸出層之間增加若干層(一層或多層)神經元，這些神經元稱為隱單元，它們與外界沒有直接的聯系，但其狀態的改變，則能影響輸入與輸出之間的關系，每一層可以有若干個節點。

BP神經網路的計算過程由正向計算過程和反向計算過程組成。正向傳播過程，輸入模式從輸入層經隱單元層逐層處理，並轉向輸出層，每～層神經元的狀態隻影響下一層神經元的狀態。如果在輸出層不能得到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通路返回，通過修改各神經元的權值，使得誤差信號最小。

以上內容參考：網路-BP神經網路

『貳』 BP神經網路的閥值調節怎麼弄的

不是說把W改成B就可以，而是在調節權值的時候就會不斷更新閾值（閥值是錯別字）
因此閾值只會出現 1。預設 2。已經在權值調整過程中一起調整了

『叄』 BP神經網路訓練出來的權值與閥值怎麼用

說句實在話，如果你還要改神經元網路的隱含層層數或者神經元個數，那這個訓練得到的權值和閾值沒什麼用處。如果你訓練的神經網路已經能很好完成你所需要做的分類或者其他工作，你直接用的是用新的樣本數據作為輸入去為這個新樣本劃分類別就行了，不用考慮權值和閾值他們就自然在這個歸類中起作用了，類似於有人給你看蛇的圖片，你可以在現實生活中見到蛇時候明白這就是蛇的道理一樣，這個權值和閾值就像已經訓練到你神經中的一些鏈接一樣在你面對新的類似的事物時起作用

『肆』 神經網路演算法中，參數的設置或者調整，有什麼方法可以採用

若果對你有幫助，請點贊。
神經網路的結構（例如2輸入3隱節點1輸出）建好後，一般就要求神經網路里的權值和閾值。現在一般求解權值和閾值，都是採用梯度下降之類的搜索演算法（梯度下降法、牛頓法、列文伯格-馬跨特法、狗腿法等等），這些演算法會先初始化一個解，在這個解的基礎上，確定一個搜索方向和一個移動步長（各種法算確定方向和步長的方法不同，也就使各種演算法適用於解決不同的問題），使初始解根據這個方向和步長移動後，能使目標函數的輸出（在神經網路中就是預測誤差）下降。 然後將它更新為新的解，再繼續尋找下一步的移動方向的步長，這樣不斷的迭代下去，目標函數（神經網路中的預測誤差）也不斷下降，最終就能找到一個解，使得目標函數（預測誤差）比較小。
而在尋解過程中，步長太大，就會搜索得不仔細，可能跨過了優秀的解，而步長太小，又會使尋解過程進行得太慢。因此，步長設置適當非常重要。
學習率對原步長（在梯度下降法中就是梯度的長度）作調整，如果學習率lr = 0.1,那麼梯度下降法中每次調整的步長就是0.1*梯度，
而在matlab神經網路工具箱里的lr,代表的是初始學習率。因為matlab工具箱為了在尋解不同階段更智能的選擇合適的步長，使用的是可變學習率，它會根據上一次解的調整對目標函數帶來的效果來對學習率作調整，再根據學習率決定步長。
機制如下：
if newE2/E2 > maxE_inc %若果誤差上升大於閾值
lr = lr * lr_dec; %則降低學習率
else
if newE2 < E2 %若果誤差減少
lr = lr * lr_inc;%則增加學習率
end
詳細的可以看《神經網路之家》nnetinfo里的《[重要]寫自己的BP神經網路(traingd)》一文，裡面是matlab神經網路工具箱梯度下降法的簡化代碼

若果對你有幫助，請點贊。
祝學習愉快

『伍』 BP神經網路初始權值和閾值

請理解程序中的變數含義：

1. inputnum：輸入層節點數
   

2. hiddennum：隱層節點數
   

3. outputnum：輸出層節點數

因此，當輸入為3時，如果前面有inputnum=size(P,1);語句，將會自適應確定輸入節點數；如果沒有使用該語句，直接將inputnum賦值為3即可，即加上inputnum=3;

你這段代碼是GA-BP神經網路最後的染色體解碼階段的代碼，注意染色體編碼結構為：輸入層與隱層間權值矩陣、隱層閾值、隱層與輸出層間權值矩陣、輸出層閾值。

『陸』 BP神經網路如何設置初始權值

初始權值、閾值的確定是靠經驗的。
一般修改神經網路，不改閾值，改動其中間層神經元、轉移函數、特徵向量等。

『柒』 神經網路BP演算法中,如何選擇網路學習效率及閾值調整效率

學習效率一般取0~1之間的數如：0.1,0.4，網路初始化閾值賦值（0,1）區間內隨機數，之後通過神經網路訓練不斷調整。樓主只用調整學習效率就行了

『捌』 BP神經網路演算法，權植閥值如何確定呢

根據誤差梯度下降法來調節各層的權值和閾值，使修改後的網路的最終輸出能接近期望值。 Tk為預期輸出，Ok為實際輸出；使下面的式子最小：

徐文力_新浪博客：誤差反向（BP）神經網路演算法及其演示

『玖』 BP神經網路中,如何設定神經元的初始連接權重以及閥值

初始連接權重關繫到網路訓練速度的快慢以及收斂速率，在基本的神經網路中，這個權重是隨機設定的。在網路訓練的過程中沿著誤差減小的方向不斷進行調整。針對這個權重的隨機性不確定的缺點，有人提出了用遺傳演算法初始化BP的初始權重和閾值的想法，提出了遺傳神經網路模型，並且有人預言下一代的神經網路將會是遺傳神經網路。希望對你有所幫助。你可以查看這方面的文獻

『拾』 BP神經網路中為什麼設置閾值

你這是不是用遺傳演算法優化權值和閥值啊？
我不知道你x的哪裡來的？所以也不知道你是如何確定初始權值和閥值。
不過我們平常寫程序時這些值都是隨機賦予的。