㈠ 什么是BP神经网络
BP算法的基本思想是：学习过程由信号正向传播与误差的反向回传两个部分组成；正向传播时，输入样本从输入层传入，经各隐层依次逐层处理，传向输出层，若输出层输出与期望不符，则将误差作为调整信号逐层反向回传，对神经元之间的连接权矩阵做出处理，使误差减小。经反复学习，最终使误差减小到可接受的范围。具体步骤如下：
1、从训练集中取出某一样本，把信息输入网络中。
2、通过各节点间的连接情况正向逐层处理后，得到神经网络的实际输出。
3、计算网络实际输出与期望输出的误差。
4、将误差逐层反向回传至之前各层，并按一定原则将误差信号加载到连接权值上，使整个神经网络的连接权值向误差减小的方向转化。
5、対训练集中每一个输入—输出样本对重复以上步骤，直到整个训练样本集的误差减小到符合要求为止。
㈡ 用c++实现神经网络一般用什么库
如果你想自己实现神经网络玩玩的话，不妨用MATLAB；具体可以参考Unsupervised Feature Learning and Deep Learning Tutorial，这个教程是Andrew Ng和他的学生写的，上面有配套的MATLAB习题，是很好的练习材料。
但如果你想实际使用神经网络做项目的话，建议还是使用开源的库，比如Caffe | Deep Learning Framework。事实上，不建议个人实现神经网络做为项目用途：其中的卷积、反向传导等实现要想做好还是不太容易的。
关于你说的矩阵库，我只用过armadillo，在Windows上面和VS搭配使用的，配置很简单，里面也有examples，很好上手；而且这个库本身是基于blas和lapack，个人感觉还是很高效的。重点是，这个库的各种函数、语法，整个就一MATLAB，特别简单好用……自从有了它，妈妈再也不用担心老师叫我把MATLAB的代码转成C++了
㈢ （急）如何用MATLAB建立ANN（人工神经网络模型）
问题描述：
有两个自变量，一个因变量，10个样本（这里就取少一点好了）。用实际问题来表述，假设一个股票，开盘价 x1，收盘价 x2，第二天的股价 y。 那用神经网络来预测的目的是，根据10天的开盘价和收盘价，来预测未来股价。显然，这里的y与x1和x2相关，我们要训练一个网络（net）来让他尽可能的预测一个y
MATLAB程序
clc
clear
load data input output
%input就是包含了x1和x2 10天数据的矩阵，说白了就是20个数的矩阵。output是y的一个向量，%10个数
%需要自己找一些数据赋值给input和ouput
P=input;
T=output;
%这里P和T必须是 x1 x2和y的行向量组合。对于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';
%设置一些初始参数，Epochs是迭代上限次数，NodeNum是第一个隐藏层的神经元个数，%TypeNum是几层。TF1和TF2分别定义了几个传递函数。
net=newff(minmax(P),[NodeNum TypeNum],{TF1 TF2},'trainlm');
%建立一个神经网络，训练输入和输出数据都有了，设置隐藏层的个数。
net.trainParam.epochs=Epochs;
net.trainParam.goal=1e-4;
net.trainParam.min_grad=1e-4;
net.trainParam.show=200;
net.trainParam.time=inf;
%设置一些训练时的参数，第一个是每次训练的最大迭代次数；
net=train(net,P,T);
%开始网络训练
P_test=P;
B_test=T;
%就用原始的数据进行测试
X=sim(net,P_test);
%测试
Erro=abs(B_test-X);
sigma=std(Erro);
%计算出预测值和实际值的误差，求出方差。将来方差可以用来随机调整
㈣ 用c++实现神经网络一般用什么库
openNN 一款开源的C++神经网络库
http://opennn.cimne.com/
㈤ 关于matlab的BP神经网络：
比较新的版本，比如说matlab 2010以上的，都不需要装神经网络的工具箱
建立网络步骤：
1、数据归一化：输入的数据通常为P,输出数据通常为T，数据格式为：每列对应一个样本，归一化常用函数：mapminmax
[pn,ps]=mapminmax(p); [tn,ts]=mapminmax(t)
pn,tn是归一化后的数据，ps, ts是归一化的结构体，在后面反归一化预测值很有用。
2、建立网络并设定参数
net=newff(pn,tn,[ ]) 中括号里面的是输入层数，隐含神经元数，输出层数，还可以设定节点传递函数等等的参数
net.trainparam.epochs=1000 训练的次数
net.trainparam.goal=0.0001 训练的误差目标值
net.trainparam.lr=0.1 学习速率，通常在0到1之间，过大过小都不好
3、预测并分析
an=sim(net, pn)
ouput=mapminmax('reverse', an, ts) 根据之前归一化的标准，对预测结果进行反归一化，得到结果
error=output-t 这里是对误差进行输出，也可以用error=sum(asb(output-t))
当然也可以作图，比如说：
plot(p,t,'-o')
hold on
plot(p, output,'-*')
看预测值和真实值能否吻合
还可以在神经网络训练完成后的对话框中看MSE和R方
还有很多方法提高神经网络的精度，以上程序没有经过MATLAB调试，但大致过程如上
纯手打，希望采纳！
㈥ python 神经网络库有哪些
学习人工智能时，我给自己定了一个目标－－用Python写一个简单的神经网络。为了确保真得理解它，我要求自己不使用任何神经网络库，从头写起。多亏了Andrew Trask写得一篇精彩的博客，我做到了！下面贴出那九行代码：
在这篇文章中，我将解释我是如何做得，以便你可以写出你自己的。我将会提供一个长点的但是更完美的源代码。
首先，神经网络是什么？人脑由几千亿由突触相互连接的细胞（神经元）组成。突触传入足够的兴奋就会引起神经元的兴奋。这个过程被称为“思考”。
我们可以在计算机上写一个神经网络来模拟这个过程。不需要在生物分子水平模拟人脑，只需模拟更高层级的规则。我们使用矩阵（二维数据表格）这一数学工具，并且为了简单明了，只模拟一个有3个输入和一个输出的神经元。
我们将训练神经元解决下面的问题。前四个例子被称作训练集。你发现规律了吗？‘？’是0还是1？
你可能发现了，输出总是等于输入中最左列的值。所以‘？’应该是1。
训练过程
但是如何使我们的神经元回答正确呢？赋予每个输入一个权重，可以是一个正的或负的数字。拥有较大正（或负）权重的输入将决定神经元的输出。首先设置每个权重的初始值为一个随机数字，然后开始训练过程：
取一个训练样本的输入，使用权重调整它们，通过一个特殊的公式计算神经元的输出。
计算误差，即神经元的输出与训练样本中的期待输出之间的差值。
根据误差略微地调整权重。
重复这个过程1万次。
最终权重将会变为符合训练集的一个最优解。如果使用神经元考虑这种规律的一个新情形，它将会给出一个很棒的预测。
这个过程就是back propagation。
计算神经元输出的公式
你可能会想，计算神经元输出的公式是什么？首先，计算神经元输入的加权和，即
接着使之规范化，结果在0，1之间。为此使用一个数学函数－－Sigmoid函数：
Sigmoid函数的图形是一条“S”状的曲线。
把第一个方程代入第二个，计算神经元输出的最终公式为：
你可能注意到了，为了简单，我们没有引入最低兴奋阈值。
调整权重的公式
我们在训练时不断调整权重。但是怎么调整呢？可以使用“Error Weighted Derivative”公式：
为什么使用这个公式？首先，我们想使调整和误差的大小成比例。其次，乘以输入（0或1），如果输入是0，权重就不会调整。最后，乘以Sigmoid曲线的斜率（图4）。为了理解最后一条，考虑这些：
我们使用Sigmoid曲线计算神经元的输出
如果输出是一个大的正（或负）数，这意味着神经元采用这种（或另一种）方式
从图四可以看出，在较大数值处，Sigmoid曲线斜率小
如果神经元认为当前权重是正确的，就不会对它进行很大调整。乘以Sigmoid曲线斜率便可以实现这一点
Sigmoid曲线的斜率可以通过求导得到：
把第二个等式代入第一个等式里，得到调整权重的最终公式：
当然有其他公式，它们可以使神经元学习得更快，但是这个公式的优点是非常简单。
构造Python代码
虽然我们没有使用神经网络库，但是将导入Python数学库numpy里的4个方法。分别是：
exp－－自然指数
array－－创建矩阵
dot－－进行矩阵乘法
random－－产生随机数
比如， 我们可以使用array()方法表示前面展示的训练集：
“.T”方法用于矩阵转置（行变列）。所以，计算机这样存储数字：
我觉得我们可以开始构建更优美的源代码了。给出这个源代码后，我会做一个总结。
我对每一行源代码都添加了注释来解释所有内容。注意在每次迭代时，我们同时处理所有训练集数据。所以变量都是矩阵（二维数据表格）。下面是一个用Python写地完整的示例代码。
结语
试着在命令行运行神经网络：
你应该看到这样的结果：
我们做到了！我们用Python构建了一个简单的神经网络！
首先神经网络对自己赋予随机权重，然后使用训练集训练自己。接着，它考虑一种新的情形[1, 0, 0]并且预测了0.99993704。正确答案是1。非常接近！
传统计算机程序通常不会学习。而神经网络却能自己学习，适应并对新情形做出反应，这是多么神奇，就像人类一样。
㈦ 如何建立神经网络模型
人工神经网络有很多种，我只会最常用的BP神经网络。不同的网络有不同的结构和不同的学习算法。
简单点说，人工神经网络就是一个函数。只是这个函数有别于一般的函数。它比普通的函数多了一个学习的过程。
在学习的过程中，它根据正确结果不停地校正自己的网络结构，最后达到一个满意的精度。这时，它才开始真正的工作阶段。
学习人工神经网络最好先安装MathWords公司出的MatLab软件。利用该软件，你可以在一周之内就学会建立你自己的人工神经网络解题模型。
如果你想自己编程实现人工神经网络，那就需要找一本有关的书籍，专门看神经网络学习算法的那部分内容。因为“学习算法”是人工神经网络的核心。最常用的BP人工神经网络，使用的就是BP学习算法。