神经网络统计套利交易信号

‘伍’ 在看了案例二中的BP神经网络训练及预测代码后，我开始不明白BP神经网络究竟能做什么了。。。 程序最后得到

网络的训练过程与使用过程了两码事。
比如BP应用在分类，网络的训练是指的给你一些样本，同时告诉你这些样本属于哪一类，然后代入网络训练，使得这个网络具备一定的分类能力，训练完成以后再拿一个未知类别的数据通过网络进行分类。这里的训练过程就是先伪随机生成权值，然后把样本输入进去算出每一层的输出，并最终算出来预测输出（输出层的输出），这是正向学习过程；最后通过某种训练算法（最基本的是感知器算法）使得代价（预测输出与实际输出的某范数）函数关于权重最小，这个就是反向传播过程。
您所说的那种不需要预先知道样本类别的网络属于无监督类型的网络，比如自组织竞争神经网络。

‘陆’ BP神经网络中隐藏层节点个数怎么确定最佳

神经网络算法隐含层的选取：构造法，删除法，黄金分割法。

首先在［a，b］内寻找理想的隐含层节点数，这样就充分保证了网络的逼近能力和泛化能力，为满足高精度逼近的要求，再按照黄金分割原理拓展搜索区间；

即得到区间［b，c］（其中b=0.619*（c-a）+a），在区间［b，c］中搜索最优，则得到逼近能力更强的隐含层节点数，在实际应用根据要求，从中选取其一即可。

计算过程

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，每一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

‘柒’ 神经网络主要用于什么问题的求解

神经网络的研究可以分为理论研究和应用研究两大方面。
理论研究可分为以下两类：
1、利用神经生理与认知科学研究人类思维以及智能机理。
2、利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线性神经场等。
应用研究可分为以下两类：
1、神经网络的软件模拟和硬件实现的研究。
2、神经网络在各个领域中应用的研究。这些领域主要包括：
模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用定将更加深入。
http://ke..com/view/5348.htm?fr=ala0_1

‘捌’ 运行MATLAB BP神经网络后，得到了误差曲线(mse)，图例里有四个量，其中，Validation代表啥意思啊

代表检验这个网络的训练结果。

mse表示均方差，当然越小越好。但是这与你训练样本的多少，训练次数都有很大关系。

这个其实没有统一的标准，任何人都知道0偏差当然是最好。但是根绝神经网络本身致命的缺陷，由于它是迭代收敛逼近解析式，所以不可能达到0误差。

这只有根据使用者的工程技术要求来加以判断，这个误差指标肯定应该在小于工程误差范围内啊。但是对于科研研究，也只能具体情况具体分析。定量一说没有具体绝对一说的。

(8)神经网络统计套利交易信号扩展阅读：

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。

‘玖’ 求大神指导，在训练神经网络之后，出现这些是啥意思看不懂

这是net变量的属性展示，相当于对net的解释，不是报错信息，不用管它。

人工神经网络（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

‘拾’ 概率神经网络主要是用来做什么的

作用：这种网络已较广泛地应用于非线性滤波、模式分类、联想记忆和
概率密度估计当中。

概率神经网络是由Specht博士在1989年提出的，它与统计信号处理
的许多概念有着紧密的联系。当这种网络用于检测和模式分类时，可以
得到贝叶斯最优结果。它通常由4层组成。第一层为输入层，每个神经
元均为单输入单输出，其传递函数也为线性的，这一层的作用只是将输
入信号用分布的方式来表示。第二层称之为模式层，它与输入层之间通
过连接权值Wij相连接.模式层神经元的传递函数不再是通常的Sigmoid
函数，而为
g(Zi)=exp[(Zi-1)/(s*s)]
其中，Zi为该层第i个神经元的输入，s为均方差。第三层称之为累加层
，它具有线性求和的功能。这一层的神经元数目与欲分的模式数目相同
。第四层即输出层具有判决功能，它的神经元输出为离散值1和-1（或0
），分别代表着输入模式的类别。
许多研究已表明概率神经网络具有如下特性：
(1)训练容易，收敛速度快，从而非常适用于实时处理；
(2)可以完成任意的非线性变换，所形成的判决曲面与贝叶斯最优
准则下的曲面相接近；
(3)具有很强的容错性；
(4)模式层的传递函数可以选用各种用来估计概率密度的核函数，
并且，分类结果对核函数的形式不敏感；
(5)各层神经元的数目比较固定，因而易于硬件实现。