⑴ 神经网络的隐含层确定方法有多少种
确定神经网络隐层数的方法有很多种，现在没有说那一种是最好的。具体的还要结合你的问题来解决。
至于说2n+1个隐层神经元个数，也是需要根据具体问题来确定的。
比方说，你可以在2n+1的基础上确定一个正负10的区域，分别用区域中的数值代到网络中，看最后谁的误差最小就用哪一个。
⑵ 网络要优化一般从哪些方面来入手
一般从启动时开启的软件，杀毒等等进行优化
⑶ 求教遗传算法优化两层隐含层结构的BP神经网络的问题
这四个都属于人工智能算法的范畴。其中BP算法、BP神经网络和神经网络 属于神经网络这个大类。遗传算法为进化算法这个大类。 神经网络模拟人类大脑神经计算过程，可以实现高度非线性的预测和计算，主要用于非线性拟合，识别，特点是需要“训练”，
⑷ bp神经网络训练样本增加很多，但是隐含层节点数还是不变会不会欠拟合，或者过拟合求大神告知！
学习神经网络这段时间，有一个疑问，BP神经网络中训练的次数指的网络的迭代次数，如果有a个样本,每个样本训练次数n，则网络一共迭代an次，在n>>a 情况下 ， 网络在不停的调整权值，减小误差，跟样本数似乎关系不大。而且，a大了的话训练时间必然会变长。
换一种说法，将你的数据集看成一个固定值， 那么样本集与测试集 也可以按照某种规格确定下来如7：3 所以如何看待 样本集的多少与训练结果呢？ 或者说怎么使你的网络更加稳定，更加符合你的所需 。
我尝试从之前的一个例子中看下区别
如何用70行Java代码实现深度神经网络算法
作者其实是实现了一个BP神经网络 ，不多说，看最后的例子
一个运用神经网络的例子
最后我们找个简单例子来看看神经网络神奇的效果。为了方便观察数据分布，我们选用一个二维坐标的数据，下面共有4个数据，方块代表数据的类型为1，三角代表数据的类型为0，可以看到属于方块类型的数据有（1，2）和（2，1），属于三角类型的数据有（1，1），（2，2），现在问题是需要在平面上将4个数据分成1和0两类，并以此来预测新的数据的类型。
图片描述
我们可以运用逻辑回归算法来解决上面的分类问题，但是逻辑回归得到一个线性的直线做为分界线，可以看到上面的红线无论怎么摆放，总是有一个样本被错误地划分到不同类型中，所以对于上面的数据，仅仅一条直线不能很正确地划分他们的分类，如果我们运用神经网络算法，可以得到下图的分类效果，相当于多条直线求并集来划分空间，这样准确性更高。
图片描述
简单粗暴，用作者的代码运行后 训练5000次 。根据训练结果来预测一条新数据的分类（3,1）
预测值 （3,1）的结果跟（1,2）（2,1）属于一类 属于正方形
这时如果我们去掉 2个样本，则样本输入变成如下
//设置样本数据，对应上面的4个二维坐标数据 double[][] data = new double[][]{{1,2},{2,2}}; //设置目标数据，对应4个坐标数据的分类 double[][] target = new double[][]{{1,0},{0,1}};
1
2
3
⑸ matlab 神经网络怎么确定隐含层的层数及个传递函数
隐含层个数凭经验，凑出来的~一般不会太大。传递函数tranlm是默认的，一般也不用改，除非有要求。
⑹ 神经网络，隐含层节点数越多，遗传算法适应函数越小！这是怎么回事
1.为什么神经网络还要用遗传算法啊？为什么不是反向传播？隐含层节点的数目理论上是超参数，针对不同问题，不同数目的隐含层效果都不一样，一般还是得试错法。
2.如果最后一定要用遗传算法，那隐含层节点就组成你用来进行各种交叉、变异操作的权重（基因）向量。那这个向量的长度取决于你的目标函数，目标函数中你挑选出来的带权重的特征（已知的输入）的数目，就是权重向量的多少，这东西不能自己随便变。
3.写到这我突然明白了，你是找不到目标函数中的特征，想用神经网络提高维特征，然后再用遗传算法找这些特征的权重吗？既然特征的多少（即隐含层节点的数目）你是未知的，那同1，和普通的神经网络一样，对于不同的问题节点的数目是超参数，你只能通过实验法确定了。既然你试出来节点很高时适应度函数低，那就减少节点数目吧。
节点多，按照我的理解，最后可能可以更精确，但在一开始并不容易找到最优解的方向（也许永远找不到）。问题并不复杂就减少节点数目吧，节点太多也会过拟合。
⑺ 求一个dnn深度神经网络代码 用于语音信号处理方面的，主要是提取隐含层的输出
注意：训练样本和测试样本是不一样的。 判断正确和错误，主要是看能不能通过训练分析机以及是否在误差内。正确率的得出：对测试样本进行测试，看看识别出来的有哪些，除以测试样本的总数即可。