bp神经网络阀值怎么调

‘壹’ 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

‘贰’ BP神经网络的阀值调节怎么弄的

不是说把W改成B就可以，而是在调节权值的时候就会不断更新阈值（阀值是错别字）
因此阈值只会出现 1。预设 2。已经在权值调整过程中一起调整了

‘叁’ BP神经网络训练出来的权值与阀值怎么用

说句实在话，如果你还要改神经元网络的隐含层层数或者神经元个数，那这个训练得到的权值和阈值没什么用处。如果你训练的神经网络已经能很好完成你所需要做的分类或者其他工作，你直接用的是用新的样本数据作为输入去为这个新样本划分类别就行了，不用考虑权值和阈值他们就自然在这个归类中起作用了，类似于有人给你看蛇的图片，你可以在现实生活中见到蛇时候明白这就是蛇的道理一样，这个权值和阈值就像已经训练到你神经中的一些链接一样在你面对新的类似的事物时起作用

‘肆’ 神经网络算法中，参数的设置或者调整，有什么方法可以采用

若果对你有帮助，请点赞。
神经网络的结构（例如2输入3隐节点1输出）建好后，一般就要求神经网络里的权值和阈值。现在一般求解权值和阈值，都是采用梯度下降之类的搜索算法（梯度下降法、牛顿法、列文伯格-马跨特法、狗腿法等等），这些算法会先初始化一个解，在这个解的基础上，确定一个搜索方向和一个移动步长（各种法算确定方向和步长的方法不同，也就使各种算法适用于解决不同的问题），使初始解根据这个方向和步长移动后，能使目标函数的输出（在神经网络中就是预测误差）下降。 然后将它更新为新的解，再继续寻找下一步的移动方向的步长，这样不断的迭代下去，目标函数（神经网络中的预测误差）也不断下降，最终就能找到一个解，使得目标函数（预测误差）比较小。
而在寻解过程中，步长太大，就会搜索得不仔细，可能跨过了优秀的解，而步长太小，又会使寻解过程进行得太慢。因此，步长设置适当非常重要。
学习率对原步长（在梯度下降法中就是梯度的长度）作调整，如果学习率lr = 0.1,那么梯度下降法中每次调整的步长就是0.1*梯度，
而在matlab神经网络工具箱里的lr,代表的是初始学习率。因为matlab工具箱为了在寻解不同阶段更智能的选择合适的步长，使用的是可变学习率，它会根据上一次解的调整对目标函数带来的效果来对学习率作调整，再根据学习率决定步长。
机制如下：
if newE2/E2 > maxE_inc %若果误差上升大于阈值
lr = lr * lr_dec; %则降低学习率
else
if newE2 < E2 %若果误差减少
lr = lr * lr_inc;%则增加学习率
end
详细的可以看《神经网络之家》nnetinfo里的《[重要]写自己的BP神经网络(traingd)》一文，里面是matlab神经网络工具箱梯度下降法的简化代码

若果对你有帮助，请点赞。
祝学习愉快

‘伍’ 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。

‘陆’ BP神经网络如何设置初始权值

初始权值、阈值的确定是靠经验的。
一般修改神经网络，不改阈值，改动其中间层神经元、转移函数、特征向量等。

‘柒’ 神经网络BP算法中,如何选择网络学习效率及阈值调整效率

学习效率一般取0~1之间的数如：0.1,0.4，网络初始化阈值赋值（0,1）区间内随机数，之后通过神经网络训练不断调整。楼主只用调整学习效率就行了

‘捌’ 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

‘玖’ BP神经网络中,如何设定神经元的初始连接权重以及阀值

初始连接权重关系到网络训练速度的快慢以及收敛速率，在基本的神经网络中，这个权重是随机设定的。在网络训练的过程中沿着误差减小的方向不断进行调整。针对这个权重的随机性不确定的缺点，有人提出了用遗传算法初始化BP的初始权重和阈值的想法，提出了遗传神经网络模型，并且有人预言下一代的神经网络将会是遗传神经网络。希望对你有所帮助。你可以查看这方面的文献

‘拾’ BP神经网络中为什么设置阈值

你这是不是用遗传算法优化权值和阀值啊？
我不知道你x的哪里来的？所以也不知道你是如何确定初始权值和阀值。
不过我们平常写程序时这些值都是随机赋予的。