㈠ 请问大神：函数拟合神经网络（fitnet）是BP神经网络吗在线等待中。
只能说BP神经网络具有拟合非线性函数的功能，属于一种函数拟合神经网络。
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。
㈡ 神经网络经过训练后如何查看训练出来的函数matlab的
用net.iw{1,1}函数输出权值矩阵，按列求平均算出各个变量的权重。你去中国知网搜索
bp神经网络高等学校标准学费，记得是有这么的相关文献的！
㈢ 用matlabBP神经网络做多元线性回归，求问各参数的拟合值怎么看
这个要看你选择的激活函数，若是你的激活函数为非线性函数，那就不可能得到各参数的拟合值。如果你所选用的激活函数是线性函数，那么就可以先把输出的表达式写出来，即权向量和输入的矩阵乘积。得到表达式后就可以得到相应参数的拟合值了
㈣ 通过哪些参数看神经网络拟合出来的函数效果神经网络拟合时如何确定隐藏的节点数
主要看均方误差和其百分比（准确率）。假如你拟合出来是ui，计算（yi-ui）^2的平均值，然后计算这个平均值与yi平均值的比（也就是均方误差百分比），当然用1减去这个百分比就是准确率了。一般也会画一幅图，把yi和ui分别用不同的颜色或者符号表示出来，直观对比。
拟合时的隐含层节点数目前没有一个通行的公式进行确定，只能凭借经验和试凑。一般情况下，问题的复杂程度（非线性程度和维度）越高，隐含层节点数越多。这里介绍一个小经验：先用不太大的节点数进行预测，如果增加节点数测试集准确率和训练集准确率都有所提升，则应该继续增加。如果增加节点数测试集准确率增加很不明显，而训练集准确率还是有所提升，则不应该继续增加，当前的就是很理想的，继续增加节点数只会起到反效果。
㈤ matlab中如何用神经网络求得数据拟合函数
我是做这个方向的，神经网络拟合出的曲线是没有相应的函数的，他是根据许多的权重值，阀值世并和偏置值的训练弯返嫌确定的曲线。埋手还有什么相关问题可以问我，我的QQ378257104。