㈠ 什麼是BP神經網路
BP演算法的基本思想是：學習過程由信號正向傳播與誤差的反向回傳兩個部分組成；正向傳播時，輸入樣本從輸入層傳入，經各隱層依次逐層處理，傳向輸出層，若輸出層輸出與期望不符，則將誤差作為調整信號逐層反向回傳，對神經元之間的連接權矩陣做出處理，使誤差減小。經反復學習，最終使誤差減小到可接受的范圍。具體步驟如下：
1、從訓練集中取出某一樣本，把信息輸入網路中。
2、通過各節點間的連接情況正向逐層處理後，得到神經網路的實際輸出。
3、計算網路實際輸出與期望輸出的誤差。
4、將誤差逐層反向回傳至之前各層，並按一定原則將誤差信號載入到連接權值上，使整個神經網路的連接權值向誤差減小的方向轉化。
5、対訓練集中每一個輸入—輸出樣本對重復以上步驟，直到整個訓練樣本集的誤差減小到符合要求為止。
㈡ 用c++實現神經網路一般用什麼庫
如果你想自己實現神經網路玩玩的話，不妨用MATLAB；具體可以參考Unsupervised Feature Learning and Deep Learning Tutorial，這個教程是Andrew Ng和他的學生寫的，上面有配套的MATLAB習題，是很好的練習材料。
但如果你想實際使用神經網路做項目的話，建議還是使用開源的庫，比如Caffe | Deep Learning Framework。事實上，不建議個人實現神經網路做為項目用途：其中的卷積、反向傳導等實現要想做好還是不太容易的。
關於你說的矩陣庫，我只用過armadillo，在Windows上面和VS搭配使用的，配置很簡單，裡面也有examples，很好上手；而且這個庫本身是基於blas和lapack，個人感覺還是很高效的。重點是，這個庫的各種函數、語法，整個就一MATLAB，特別簡單好用……自從有了它，媽媽再也不用擔心老師叫我把MATLAB的代碼轉成C++了
㈢ （急）如何用MATLAB建立ANN（人工神經網路模型）
問題描述：
有兩個自變數，一個因變數，10個樣本（這里就取少一點好了）。用實際問題來表述，假設一個股票，開盤價 x1，收盤價 x2，第二天的股價 y。 那用神經網路來預測的目的是，根據10天的開盤價和收盤價，來預測未來股價。顯然，這里的y與x1和x2相關，我們要訓練一個網路（net）來讓他盡可能的預測一個y
MATLAB程序
clc
clear
load data input output
%input就是包含了x1和x2 10天數據的矩陣，說白了就是20個數的矩陣。output是y的一個向量，%10個數
%需要自己找一些數據賦值給input和ouput
P=input;
T=output;
%這里P和T必須是 x1 x2和y的行向量組合。對於P，x1是行向量，x2是行向量。P=[x1;x2]; T=y. y是行向量
Epochs=5000;
NodeNum=12; TypeNum=1;
TF1='logsig'; TF2='purelin';
%設置一些初始參數，Epochs是迭代上限次數，NodeNum是第一個隱藏層的神經元個數，%TypeNum是幾層。TF1和TF2分別定義了幾個傳遞函數。
net=newff(minmax(P),[NodeNum TypeNum],{TF1 TF2},'trainlm');
%建立一個神經網路，訓練輸入和輸出數據都有了，設置隱藏層的個數。
net.trainParam.epochs=Epochs;
net.trainParam.goal=1e-4;
net.trainParam.min_grad=1e-4;
net.trainParam.show=200;
net.trainParam.time=inf;
%設置一些訓練時的參數，第一個是每次訓練的最大迭代次數；
net=train(net,P,T);
%開始網路訓練
P_test=P;
B_test=T;
%就用原始的數據進行測試
X=sim(net,P_test);
%測試
Erro=abs(B_test-X);
sigma=std(Erro);
%計算出預測值和實際值的誤差，求出方差。將來方差可以用來隨機調整
㈣ 用c++實現神經網路一般用什麼庫
openNN 一款開源的C++神經網路庫
http://opennn.cimne.com/
㈤ 關於matlab的BP神經網路：
比較新的版本，比如說matlab 2010以上的，都不需要裝神經網路的工具箱
建立網路步驟：
1、數據歸一化：輸入的數據通常為P,輸出數據通常為T，數據格式為：每列對應一個樣本，歸一化常用函數：mapminmax
[pn,ps]=mapminmax(p); [tn,ts]=mapminmax(t)
pn,tn是歸一化後的數據，ps, ts是歸一化的結構體，在後面反歸一化預測值很有用。
2、建立網路並設定參數
net=newff(pn,tn,[ ]) 中括弧裡面的是輸入層數，隱含神經元數，輸出層數，還可以設定節點傳遞函數等等的參數
net.trainparam.epochs=1000 訓練的次數
net.trainparam.goal=0.0001 訓練的誤差目標值
net.trainparam.lr=0.1 學習速率，通常在0到1之間，過大過小都不好
3、預測並分析
an=sim(net, pn)
ouput=mapminmax('reverse', an, ts) 根據之前歸一化的標准，對預測結果進行反歸一化，得到結果
error=output-t 這里是對誤差進行輸出，也可以用error=sum(asb(output-t))
當然也可以作圖，比如說：
plot(p,t,'-o')
hold on
plot(p, output,'-*')
看預測值和真實值能否吻合
還可以在神經網路訓練完成後的對話框中看MSE和R方
還有很多方法提高神經網路的精度，以上程序沒有經過MATLAB調試，但大致過程如上
純手打，希望採納！
㈥ python 神經網路庫有哪些
學習人工智慧時，我給自己定了一個目標－－用Python寫一個簡單的神經網路。為了確保真得理解它，我要求自己不使用任何神經網路庫，從頭寫起。多虧了Andrew Trask寫得一篇精彩的博客，我做到了！下面貼出那九行代碼：
在這篇文章中，我將解釋我是如何做得，以便你可以寫出你自己的。我將會提供一個長點的但是更完美的源代碼。
首先，神經網路是什麼？人腦由幾千億由突觸相互連接的細胞（神經元）組成。突觸傳入足夠的興奮就會引起神經元的興奮。這個過程被稱為「思考」。
我們可以在計算機上寫一個神經網路來模擬這個過程。不需要在生物分子水平模擬人腦，只需模擬更高層級的規則。我們使用矩陣（二維數據表格）這一數學工具，並且為了簡單明了，只模擬一個有3個輸入和一個輸出的神經元。
我們將訓練神經元解決下面的問題。前四個例子被稱作訓練集。你發現規律了嗎？『？』是0還是1？
你可能發現了，輸出總是等於輸入中最左列的值。所以『？』應該是1。
訓練過程
但是如何使我們的神經元回答正確呢？賦予每個輸入一個權重，可以是一個正的或負的數字。擁有較大正（或負）權重的輸入將決定神經元的輸出。首先設置每個權重的初始值為一個隨機數字，然後開始訓練過程：
取一個訓練樣本的輸入，使用權重調整它們，通過一個特殊的公式計算神經元的輸出。
計算誤差，即神經元的輸出與訓練樣本中的期待輸出之間的差值。
根據誤差略微地調整權重。
重復這個過程1萬次。
最終權重將會變為符合訓練集的一個最優解。如果使用神經元考慮這種規律的一個新情形，它將會給出一個很棒的預測。
這個過程就是back propagation。
計算神經元輸出的公式
你可能會想，計算神經元輸出的公式是什麼？首先，計算神經元輸入的加權和，即
接著使之規范化，結果在0，1之間。為此使用一個數學函數－－Sigmoid函數：
Sigmoid函數的圖形是一條「S」狀的曲線。
把第一個方程代入第二個，計算神經元輸出的最終公式為：
你可能注意到了，為了簡單，我們沒有引入最低興奮閾值。
調整權重的公式
我們在訓練時不斷調整權重。但是怎麼調整呢？可以使用「Error Weighted Derivative」公式：
為什麼使用這個公式？首先，我們想使調整和誤差的大小成比例。其次，乘以輸入（0或1），如果輸入是0，權重就不會調整。最後，乘以Sigmoid曲線的斜率（圖4）。為了理解最後一條，考慮這些：
我們使用Sigmoid曲線計算神經元的輸出
如果輸出是一個大的正（或負）數，這意味著神經元採用這種（或另一種）方式
從圖四可以看出，在較大數值處，Sigmoid曲線斜率小
如果神經元認為當前權重是正確的，就不會對它進行很大調整。乘以Sigmoid曲線斜率便可以實現這一點
Sigmoid曲線的斜率可以通過求導得到：
把第二個等式代入第一個等式里，得到調整權重的最終公式：
當然有其他公式，它們可以使神經元學習得更快，但是這個公式的優點是非常簡單。
構造Python代碼
雖然我們沒有使用神經網路庫，但是將導入Python數學庫numpy里的4個方法。分別是：
exp－－自然指數
array－－創建矩陣
dot－－進行矩陣乘法
random－－產生隨機數
比如， 我們可以使用array()方法表示前面展示的訓練集：
「.T」方法用於矩陣轉置（行變列）。所以，計算機這樣存儲數字：
我覺得我們可以開始構建更優美的源代碼了。給出這個源代碼後，我會做一個總結。
我對每一行源代碼都添加了注釋來解釋所有內容。注意在每次迭代時，我們同時處理所有訓練集數據。所以變數都是矩陣（二維數據表格）。下面是一個用Python寫地完整的示例代碼。
結語
試著在命令行運行神經網路：
你應該看到這樣的結果：
我們做到了！我們用Python構建了一個簡單的神經網路！
首先神經網路對自己賦予隨機權重，然後使用訓練集訓練自己。接著，它考慮一種新的情形[1, 0, 0]並且預測了0.99993704。正確答案是1。非常接近！
傳統計算機程序通常不會學習。而神經網路卻能自己學習，適應並對新情形做出反應，這是多麼神奇，就像人類一樣。
㈦ 如何建立神經網路模型
人工神經網路有很多種，我只會最常用的BP神經網路。不同的網路有不同的結構和不同的學習演算法。
簡單點說，人工神經網路就是一個函數。只是這個函數有別於一般的函數。它比普通的函數多了一個學習的過程。
在學習的過程中，它根據正確結果不停地校正自己的網路結構，最後達到一個滿意的精度。這時，它才開始真正的工作階段。
學習人工神經網路最好先安裝MathWords公司出的MatLab軟體。利用該軟體，你可以在一周之內就學會建立你自己的人工神經網路解題模型。
如果你想自己編程實現人工神經網路，那就需要找一本有關的書籍，專門看神經網路學習演算法的那部分內容。因為「學習演算法」是人工神經網路的核心。最常用的BP人工神經網路，使用的就是BP學習演算法。