bp神經網路隱層接點設置

❶ matlab BP神經網路出錯 newff參數 隱含層 怎麼確定

設[P,T]是訓練樣本，[X,Y]是測試樣本；
net=newrb(P,T,err_goal,spread); %建立網路
q=sim(net,p);
e=q-T;
plot(p,q); %畫訓練誤差曲線
q=sim(net,X);
e=q-Y;
plot(X,q); %畫測試誤差曲線
訓練前饋網路的第一步是建立網路對象。函數newff建立一個可訓練的前饋網路。這需要4個輸入參數。
第一個參數是一個Rx2的矩陣以定義R個輸入向量的最小值和最大值。
第二個參數是一個設定每層神經元個數的數組。
第三個參數是包含每層用到的傳遞函數名稱的細胞數組。
最後一個參數是用到的訓練函數的名稱。
舉個例子，下面命令將創建一個二層網路。它的輸入是兩個元素的向量，第一層有三個神經元(3)，第二層有一個神經元(1)。
第一層的傳遞函數是tan-sigmoid，輸出層的傳遞函數是linear。
輸入向量的第一個元素的范圍是-1到2[-1 2]，輸入向量的第二個元素的范圍是0到5[0 5]，訓練函數是traingd。
net=newff([-1 2; 0 5],[3,1],{'tansig','purelin'},'traingd');
這個命令建立了網路對象並且初始化了網路權重和偏置，因此網路就可以進行訓練了。
我們可能要多次重新初始化權重或者進行自定義的初始化。
下面就是初始化的詳細步驟。
在訓練前饋網路之前，權重和偏置必須被初始化。初始化權重和偏置的工作用命令init來實現。這個函數接收網路對象並初始化權重和偏置後返回網路對象。
下面就是網路如何初始化的：
net = init(net);
我們可以通過設定網路參數net.initFcn和net.layer{i}.initFcn這一技巧來初始化一個給定的網路。
net.initFcn用來決定整個網路的初始化函數。前饋網路的預設值為initlay，它允許每一層用單獨的初始化函數。
設定了net.initFcn ，那麼參數net.layer{i}.initFcn 也要設定用來決定每一層的初始化函數。
對前饋網路來說，有兩種不同的初始化方式經常被用到：initwb和initnw。initwb函數根據每一層自己的初始化參數(net.inputWeights{i,j}.initFcn)初始化權重矩陣和偏置。前饋網路的初始化權重通常設為rands，它使權重在-1到1之間隨機取值。這種方式經常用在轉換函數是線性函數時。initnw通常用於轉換函數是曲線函數。它根據Nguyen和Widrow[NgWi90]為層產生初始權重和偏置值，使得每層神經元的活動區域能大致平坦的分布在輸入空間。

❷ matlabBP神經網路工具箱，可以調整隱含層節點數嘛

Matlab神經網路工具箱幾乎包含了現有神經網路的最新成果，神經網路工具箱模型包括感知器、線性網路、BP網路、徑向基函數網路、競爭型神經網路、自組織網路和學習向量量化網路、反饋網路BP神經網路具有很強的映射能力，主要用於模式識別分類、函數逼近、函數壓縮等。下面通過實例來說明BP網路在函數逼近方面的應用需要逼近的函數是f(x)=1+sin(k*pi/2*x),其中，選擇k=2進行模擬，設置隱藏層神經元數目為n,n可以改變，便於後面觀察隱藏層節點與函數逼近能力的關系。

❸ 如何建立雙隱層BP神經網路

樓主你好，這樣的雙層隱含層是可以的，你注意下逗號

❹ BP神經網路模型各個參數的選取問題

樣本變數不需要那麼多，因為神經網路的信息存儲能力有限，過多的樣本會造成一些有用的信息被丟棄。如果樣本數量過多，應增加隱層節點數或隱層數目，才能增強學習能力。

一、隱層數
一般認為，增加隱層數可以降低網路誤差（也有文獻認為不一定能有效降低），提高精度，但也使網路復雜化，從而增加了網路的訓練時間和出現「過擬合」的傾向。一般來講應設計神經網路應優先考慮3層網路（即有1個隱層）。一般地，靠增加隱層節點數來獲得較低的誤差，其訓練效果要比增加隱層數更容易實現。對於沒有隱層的神經網路模型，實際上就是一個線性或非線性（取決於輸出層採用線性或非線性轉換函數型式）回歸模型。因此，一般認為，應將不含隱層的網路模型歸入回歸分析中，技術已很成熟，沒有必要在神經網路理論中再討論之。
二、隱層節點數
在BP 網路中，隱層節點數的選擇非常重要，它不僅對建立的神經網路模型的性能影響很大，而且是訓練時出現「過擬合」的直接原因，但是目前理論上還沒有一種科學的和普遍的確定方法。 目前多數文獻中提出的確定隱層節點數的計算公式都是針對訓練樣本任意多的情況，而且多數是針對最不利的情況，一般工程實踐中很難滿足，不宜採用。事實上，各種計算公式得到的隱層節點數有時相差幾倍甚至上百倍。為盡可能避免訓練時出現「過擬合」現象，保證足夠高的網路性能和泛化能力，確定隱層節點數的最基本原則是：在滿足精度要求的前提下取盡可能緊湊的結構，即取盡可能少的隱層節點數。研究表明，隱層節點數不僅與輸入/輸出層的節點數有關，更與需解決的問題的復雜程度和轉換函數的型式以及樣本數據的特性等因素有關。

❺ bp神經網路的隱層節點數對預測精度有何影響

BP神經網路的隱藏層節點數對BP神經網路預測精度有較大的影響：節點數太少，網路不能很好地學習，需要增加訓練次數，訓練精度也受影響

❻ 試畫出BP神經網路結構輸入層3節點,隱層5節點,輸出層2節點

BP（Back Propagation）神經網路是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。

用WORD可以畫，插入形狀。

❼ Matlab BP神經網路隱層選擇幾層合適隱層中的神經節點選擇幾個合適

我是一個一個挨著順序試的，把神經元的節點一個個的增加，記錄下每次的誤差。一般來說，當神經元個數增加到某一個數後，誤差就穩定了或者出現誤差增大的情況。把誤差最小的那個點作為較優點。

❽ BP神經網路中隱藏層節點個數怎麼確定最佳

神經網路演算法隱含層的選取：構造法，刪除法，黃金分割法。

首先在［a，b］內尋找理想的隱含層節點數，這樣就充分保證了網路的逼近能力和泛化能力，為滿足高精度逼近的要求，再按照黃金分割原理拓展搜索區間；

即得到區間［b，c］（其中b=0.619*（c-a）+a），在區間［b，c］中搜索最優，則得到逼近能力更強的隱含層節點數，在實際應用根據要求，從中選取其一即可。

計算過程

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，每一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

❾ 如何創建兩個隱藏層的BP神經網路

我自己的總結是：
1，隱層的神經網路演算法1.1構造方法選擇

首先使用三個隱藏層的數量來確定三個隱藏層數找到的最小值和最大值的值，然後從最小來驗證模型的預測誤差，直到它達到最大值。最後，選擇模型誤差最小隱藏層數。該方法適用於兩個隱藏層的網路。

1.2 Delete方法

單隱層網路的非線性映射能力弱，同樣的問題，以達到預定的隱層節點之間的映射一些，以增加網路的可調參數，它是適合用於刪除法。

1.3黃金分割法
的主要思路：一是在[A，B]尋找理想的隱層節點，從而充分保證逼近能力和泛化能力的網路。為了滿足高精度近似，在金色的原則，按照擴大搜尋范圍區間，即該區間[B，C] = 0.619 *（鈣）+ A）（其中B，范圍[B，C]尋找最佳逼近能力更應要求隱層節點數，在實際應用中，人們可以選擇。

❿ BP神經網路怎麼設置輸入層節點數

matlab的？ 輸入層由你輸入的特徵決定的，送入特徵matlab就自動確定輸入層節點數了