三層bp神經網路的隱層中的神經元怎麼確定呢？

1樓：煌兮諸火

嘗試法 try-error-try

一般常用方法，就是嘗試，可以根據訓練集的規模（輸入個數）進行嘗試，有人提了一些經驗公式。

比如這個資料集有4個輸入，2個輸出，那麼你可以設定乙個隱層，這個隱層有4個神經元，也可以是4+2，也可以是(4+2)/2,當然也可以是1，也可以是100，完全是人為設定的，你需要根據訓練情況（是否易收斂，泛化能力如何）來增加或減少。

構造（constructive）

從乙個小規模的網路開始學習，依據訓練過程中網路的效能，逐步增加網路結構的規模或複雜性。

修剪（pruning）

從乙個規模較大的初始網路開始學習，在網路訓練過程中，依據一定的效能準則對得到的滿意網路進行結構刪減，刪除不必要的連線或節點，直到網路效能變差。

進化神經網路。

使用進化演算法學習神經網路的結構。

bp神經網路中的隱含層為什麼可以有多個輸出？

2樓：為理想在挨

每個神經元只有乙個輸出是正確的。例如你的**的隱層神經元輸出是h1，h2，h3……，hm

那些隱層的輸出只有乙個，輸出層神經元輸出。

y1=f（w11*h1+……w1m*hm），y1=f（w21*h1+……w2m*hm），…yl=f（wl1*h1+……wlm*hm）

也就是y1用到h1一次，y2用到h1一次，……yl用到h1一次，h2也是被用到l次……hm也是被用到l次。所以每個隱層的神經元與輸出層的神經元有那麼多的連線線。而不是你說的乙個隱層神經元有多個輸出，明白嗎？

如何確定bpnn神經學習的隱含層

3樓：

我自己總結的：

1、神經網路演算法隱含層的選取。

構造法。首先運用三種確定隱含層層數的方法得到三個隱含層層數，找到最小值和最大值，然後從最小值開始逐個驗證模型**誤差，直到達到最大值。最後選取模型誤差最小的那個隱含層層數。該方法適用於雙隱含層網路。

刪除法。單隱含層網路非線性對映能力較弱，相族肢同問題，為達到預定對映關係，隱層節點要多一些，以增加網路的可調引數，故適合運用刪除法。

**分割法。

算握鍵法的主要思想：首先在[a,b]內尋找理想的隱含層節點數，這樣就充分保證了網路的逼近能力和泛化能力。為滿足高精度逼近的要求，再按照**分割原理拓展搜尋區間，即得到區間[b,c]（其中b=，在區間[b,c]中搜尋兆皮世最優，則得到逼近能力更強的隱含層節點數，在實際應用根據要求，從中選取其一即可。

bp神經網路隱含層的誤差是如何得到的？

4樓：夢想成真一定會

1、神經網路演算法。

隱含層的選取構造法首先運用三種確定隱含層層數的方法得到三個隱含層層數，找到最小值和最大值，然後從最小值開始逐個驗證模型**誤差，直到達到最大值。最後選取模型誤差最小的那個隱含層層數。該喊陸方法適用於雙隱含層網路。

刪除法單隱含層網路非線性對映能力較弱，相同問題，為達到預定對映關係。

隱層節點要多一些，以增加網路的可衫滲派調引數，故適合運用刪除法。 **分割。

法演算法的主要思想：首先在[a,b]內尋找理想的隱含層節點數，這樣就充分保證了網路的逼近能力和泛化能力。為滿足高精度逼近的要求，再按照**分割原理拓展搜尋區間，即得到區間[b,c](其中b=，在區間[b,c]中搜尋最優，則得到逼近能力更強的隱含層節點數，在實際應用根據要求，從中選取其一即可。

bp演算法中，權值和閾值是每訓練一次，調整一次。逐步試驗得到隱層節點數就是先設定乙個初始值，然後在這個值的基礎上逐漸增加，比較每次網路的**效能，選擇效能最好的對應的節點數作為隱含層神或賀經元節點數。

bp 神經網路輸入層有沒有神經元

5樓：網友

當然有神經元了，輸入層神經元的功能比較簡單，就起個傳遞訊號的作用。

人工神經網路（artificial neural network，即ann ），是20世紀80 年代以來人工智慧領域興起的研究熱點。它從資訊處理角度對人腦神經元網路進行抽象，建立某種簡單模型，按不同的連線方式組成不同的網路。在脊歷工程與學術界也常直接簡稱為神經網路或類神經網路。

神經網路是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函式，稱為激勵函式（activation function）。每兩個節點間的連線都代表乙個對於通過該連線訊號的加權值，稱之為權重，櫻攔搜這相當於人工神經網路的記憶。

網路的輸出則依網衡則絡的連線方式，權重值和激勵函式的不同而不同。而網路自身通常都是對自然界某種演算法或者函式的逼近，也可能是對一種邏輯策略的表達。