神經網路統計套利交易信號

『伍』 在看了案例二中的BP神經網路訓練及預測代碼後，我開始不明白BP神經網路究竟能做什麼了。。。 程序最後得到

網路的訓練過程與使用過程了兩碼事。
比如BP應用在分類，網路的訓練是指的給你一些樣本，同時告訴你這些樣本屬於哪一類，然後代入網路訓練，使得這個網路具備一定的分類能力，訓練完成以後再拿一個未知類別的數據通過網路進行分類。這里的訓練過程就是先偽隨機生成權值，然後把樣本輸入進去算出每一層的輸出，並最終算出來預測輸出（輸出層的輸出），這是正向學習過程；最後通過某種訓練演算法（最基本的是感知器演算法）使得代價（預測輸出與實際輸出的某范數）函數關於權重最小，這個就是反向傳播過程。
您所說的那種不需要預先知道樣本類別的網路屬於無監督類型的網路，比如自組織競爭神經網路。

『陸』 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

『柒』 神經網路主要用於什麼問題的求解

神經網路的研究可以分為理論研究和應用研究兩大方面。
理論研究可分為以下兩類：
1、利用神經生理與認知科學研究人類思維以及智能機理。
2、利用神經基礎理論的研究成果，用數理方法探索功能更加完善、性能更加優越的神經網路模型，深入研究網路演算法和性能，如：穩定性、收斂性、容錯性、魯棒性等；開發新的網路數理理論，如：神經網路動力學、非線性神經場等。
應用研究可分為以下兩類：
1、神經網路的軟體模擬和硬體實現的研究。
2、神經網路在各個領域中應用的研究。這些領域主要包括：
模式識別、信號處理、知識工程、專家系統、優化組合、機器人控制等。隨著神經網路理論本身以及相關理論、相關技術的不斷發展，神經網路的應用定將更加深入。
http://ke..com/view/5348.htm?fr=ala0_1

『捌』 運行MATLAB BP神經網路後，得到了誤差曲線(mse)，圖例里有四個量，其中，Validation代表啥意思啊

代表檢驗這個網路的訓練結果。

mse表示均方差，當然越小越好。但是這與你訓練樣本的多少，訓練次數都有很大關系。

這個其實沒有統一的標准，任何人都知道0偏差當然是最好。但是根絕神經網路本身致命的缺陷，由於它是迭代收斂逼近解析式，所以不可能達到0誤差。

這只有根據使用者的工程技術要求來加以判斷，這個誤差指標肯定應該在小於工程誤差范圍內啊。但是對於科研研究，也只能具體情況具體分析。定量一說沒有具體絕對一說的。

(8)神經網路統計套利交易信號擴展閱讀：

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。

『玖』 求大神指導，在訓練神經網路之後，出現這些是啥意思看不懂

這是net變數的屬性展示，相當於對net的解釋，不是報錯信息，不用管它。

人工神經網路（Artificial Neural Network，即ANN ），是20世紀80 年代以來人工智慧領域興起的研究熱點。它從信息處理角度對人腦神經元網路進行抽象， 建立某種簡單模型，按不同的連接方式組成不同的網路。在工程與學術界也常直接簡稱為神經網路或類神經網路。神經網路是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接都代表一個對於通過該連接信號的加權值，稱之為權重，這相當於人工神經網路的記憶。網路的輸出則依網路的連接方式，權重值和激勵函數的不同而不同。而網路自身通常都是對自然界某種演算法或者函數的逼近，也可能是對一種邏輯策略的表達。

『拾』 概率神經網路主要是用來做什麼的

作用：這種網路已較廣泛地應用於非線性濾波、模式分類、聯想記憶和
概率密度估計當中。

概率神經網路是由Specht博士在1989年提出的，它與統計信號處理
的許多概念有著緊密的聯系。當這種網路用於檢測和模式分類時，可以
得到貝葉斯最優結果。它通常由4層組成。第一層為輸入層，每個神經
元均為單輸入單輸出，其傳遞函數也為線性的，這一層的作用只是將輸
入信號用分布的方式來表示。第二層稱之為模式層，它與輸入層之間通
過連接權值Wij相連接.模式層神經元的傳遞函數不再是通常的Sigmoid
函數，而為
g(Zi)=exp[(Zi-1)/(s*s)]
其中，Zi為該層第i個神經元的輸入，s為均方差。第三層稱之為累加層
，它具有線性求和的功能。這一層的神經元數目與欲分的模式數目相同
。第四層即輸出層具有判決功能，它的神經元輸出為離散值1和-1（或0
），分別代表著輸入模式的類別。
許多研究已表明概率神經網路具有如下特性：
(1)訓練容易，收斂速度快，從而非常適用於實時處理；
(2)可以完成任意的非線性變換，所形成的判決曲面與貝葉斯最優
准則下的曲面相接近；
(3)具有很強的容錯性；
(4)模式層的傳遞函數可以選用各種用來估計概率密度的核函數，
並且，分類結果對核函數的形式不敏感；
(5)各層神經元的數目比較固定，因而易於硬體實現。