神经网络权值阈值怎么算

⑴ 神经网络算法中权值W和阈值的定义是什么

因为高斯距离在欧式几何中定义的。（就是说这个最短）权值就是类似于方程y=ax+b，中a的值。训练好的神经网络对于新的数据不一定是最优的。甚至不一定可以用来预测。

⑵ BP神经网络一般初始权值和阀值是多少

初始的权值和偏差一般是在0-1之间，随机选取某一0-1之间的值作为某一权值或偏差的值
原因在于：
1、数据预处理阶段会将所有的数据规范化到0-1之间，并且神经网络的输出也是0-1之间的向量，因此其中的网络结点值也应位于0-1中
2、随机初始化的优势在于可有效避免梯度消失或梯度爆炸的问题，增加网络的稳定性。

⑶ 神经网络阈值加还是减

加。神经网络阈值计算：计算输入向量和权值距离的负数，加上一个阈值，结果大的那个神经元获胜，获胜为1，其他为0，然后调节获胜神经元对应的阈值。

⑷ BP神经网络初始权值和阈值

请理解程序中的变量含义：

1. inputnum：输入层节点数
   

2. hiddennum：隐层节点数
   

3. outputnum：输出层节点数

因此，当输入为3时，如果前面有inputnum=size(P,1);语句，将会自适应确定输入节点数；如果没有使用该语句，直接将inputnum赋值为3即可，即加上inputnum=3;

你这段代码是GA-BP神经网络最后的染色体解码阶段的代码，注意染色体编码结构为：输入层与隐层间权值矩阵、隐层阈值、隐层与输出层间权值矩阵、输出层阈值。

⑸ 神经网络权值怎么确定

神经网络的权值是通过对网络的训练得到的。如果使用MATLAB的话不要自己设定，newff之后会自动赋值。也可以手动：net.IW{}= ; net.bias{}=。一般来说输入归一化，那么w和b取0-1的随机数就行。神经网络的权值确定的目的是为了让神经网络在训练过程中学习到有用的信息，这意味着参数梯度不应该为0。

参数初始化要满足两个必要条件：

1、各个激活层不会出现饱和现象，比如对于sigmoid激活函数，初始化值不能太大或太小，导致陷入其饱和区。

2、各个激活值不为0，如果激活层输出为零，也就是下一层卷积层的输入为零，所以这个卷积层对权值求偏导为零，从而导致梯度为0。

(5)神经网络权值阈值怎么算扩展阅读：

神经网络和权值的关系。

在训练智能体执行任务时，会选择一个典型的神经网络框架，并相信它有潜力为这个任务编码特定的策略。注意这里只是有潜力，还要学习权重参数，才能将这种潜力变化为能力。

受到自然界早成行为及先天能力的启发，在这项工作中，研究者构建了一个能自然执行给定任务的神经网络。也就是说，找到一个先天的神经网络架构，然后只需要随机初始化的权值就能执行任务。研究者表示，这种不用学习参数的神经网络架构在强化学习与监督学习都有很好的表现。

其实如果想象神经网络架构提供的就是一个圈，那么常规学习权值就是找到一个最优点（或最优参数解）。但是对于不用学习权重的神经网络，它就相当于引入了一个非常强的归纳偏置，以至于，整个架构偏置到能直接解决某个问题。

但是对于不用学习权重的神经网络，它相当于不停地特化架构，或者说降低模型方差。这样，当架构越来越小而只包含最优解时，随机化的权值也就能解决实际问题了。如研究者那样从小架构到大架构搜索也是可行的，只要架构能正好将最优解包围住就行了。

⑹ matlab 实现BP神经网络 怎样根据隐含层和输入层的权值阈值得到输入到输出的计算公式

训练好的权值、阈值的输出方法是：
输入到隐层权值：
w1=net.iw
隐层阈值：
theta1=net.b
隐层到输出层权值：
w2=net.lw;
输出层阈值：
theta2=net.b
这是我常逛的论坛，你有兴趣的可以看一下。

⑺ 有懂BP神经网络的吗怎么确定BP的权值和阈值

权值开始是自己给的，也可以是随机生成，因为后面他会根据实际输出与要求输出是否相符自动修改权值，阈值则要看要求了，一般也是自己给的，就值大小问题

⑻ BP神经网络算法，权植阀值如何确定呢

根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。 Tk为预期输出，Ok为实际输出；使下面的式子最小：

徐文力_新浪博客：误差反向（BP）神经网络算法及其演示

⑼ BP神经网络中初始权值和阈值的设定

首先需要了解BP神经网络是一种多层前馈网络。以看一下在matlab中BP神经网络的训练函数，有梯度下降法traingd,弹性梯度下降法trainrp，自适应lr梯度下降法traingda等。

因为初始值（初始权值和阀值）都在x这个向量中，x（n，1）的长度n为：n=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum

其中inputnum*hiddennum是输入层到隐含层的权值数量，hiddennum是隐含层神经元个数（即隐含层阀值个数），hiddennum*outputnum是隐含层到输出层权值个数，outputnum是输出层神经元个数（即输出层阀值个数）。

结构

BP网络是在输入层与输出层之间增加若干层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个节点。

BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每～层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。

以上内容参考：网络-BP神经网络

⑽ 什么是神经网络算法的阈值

神经元是一个多输入单输出的非线性单元，输入之和需要超过一定数值时，输出才会有反应，这个数值一般称为阈值