① BP网络是什么
我们最常用的神经网络就是BP网络，也叫多层前馈网络。BP是back propagation的所写，是反向传播的意思。我以前比较糊涂，因为一直不理解为啥一会叫前馈网络，一会叫BP（反向传播）网络，不是矛盾吗？其实是这样的，前馈是从网络结构上来说的，是前一层神经元单向馈入后一层神经元，而后面的神经元没有反馈到之前的神经元；而BP网络是从网络的训练方法上来说的，是指该网络的训练算法是反向传播算法，即神经元的链接权重的训练是从最后一层（输出层）开始，然后反向依次更新前一层的链接权重。因此二者并不矛盾，只是我没有理解其精髓而已。
随便提一下BP网络的强大威力：
1）任何的布尔函数都可以由两层单元的网络准确表示，但是所需的隐藏层神经元的数量随网络输入数量呈指数级增长；
2）任意连续函数都可由一个两层的网络以任意精度逼近。这里的两层网络是指隐藏层使用sigmoid单元、输出层使用非阈值的线性单元；
3）任意函数都可由一个三层的网络以任意精度逼近。其两层隐藏层使用sigmoid单元、输出层使用非阈值的线性单元。
参考资料：【注】参考自《机器学习》
② 如何得出一个bp网络的预测准确率啊
能不能详细说说
我的理解:随机预测一个数的人（假如100） 有两种结果 一个是发病 一个不发病,然后真正调查这某数个人（100个），到底有几个预测对了，假如有n个对了，准确率就是百分之 n
预测正确有两种情况：设有一人甲 预测没发病 调查没发病 预测正确
设有一人乙 预测发病 调查发病 预测正确
预测不正确也有两种情况：设有一人丙 预测没发病 调查发病 预测不正确
设有一人乙 预测发病 调查没发病 预测不正确
是不是啊？？？
③ 一个关于信号源识别的BP神经网络 BP网络看不懂 求大神帮助
A是输出结果矩阵。E=T-A;这一句是计算输出与实际的误差。
输入、输出不是直接的数学表达式关系，是一个非线性系统，通过训练得到的。
BP（Back Propagation）神经网络是年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。
④ bp神经网络 matlab 工具箱怎么调出来
1． 常用的前馈型BP网络的转移函数有logsig，tansig，有时也会用到线性函数purelin。当网络的最后一层采用曲线函数时，输出被限制在一个很小的范围内，如果采用线性函数则输出可为任意值。以上三个函数是BP网络中最常用到的函数，但是如果需要的话你也可以创建其他可微的转移函数。
2． 在BP网络中，转移函数可求导是非常重要的，tansig、logsig和purelin都有对应的导函数dtansig、dlogsig和dpurelin。为了得到更多转移函数的导函数，可以带字符"deriv"的转移函数：tansig('deriv')
ans = dtansig
第一步是建立网络对象。函数newff建立一个可训练的前馈网络。这需要4个输入参数。第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值。第二个参数是一个颟顸每层神经元个数的数组。第三个参数是包含每层用到的转移函数名称的细胞数组。最后一个参数是用到的训练函数的名称。
http://blog.sina.com.cn/s/blog_8684880b010117bv.html
⑤ 如何测试BP神经网络
先找一个期望函数，比如y=1/x,那么输入就是x（值随便设），理想的输出结果就是1/x。用实际的输出结果与理想的结果做运算，依据运算结果对隐层和输出层的权值矩阵进行调整。然后继续输入样本，得到结果在与理想结果运算，再权值调整。一直到最后，你的输出结果就会和你的理想结果相接近了。
如果没有期望函数，或者期望的输入输出关系，那么就谈不上训练好了一个神经网络。一个网络都是对于一定的输入输出关系而言的，关系彻底改变，那么网络就要重新训练。
⑥ Matlab BP神经网络训练图结果怎么看，不会看
1、Redis和Memcached都是将数据存放在内存中，都是内存数据库。不过Memcached还可用于缓存其他东西，例如图片、视频等等；
2、Redis不仅仅支持简单的K/V类型的数据，同时还提供List，Set，Hash等数据结构的存储；
3、虚拟内存–Redis当物理内存用完时，可以将一些很久没用到的Value 交换到磁盘；
⑦ 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。