bp神经网络算法陷入了局部最小值怎么办 使用改进的BP算法，增加动量项，或者自适应学习率。和别的优化算法组合，例如遗传算法优化初始权值，提前锁定全局最优。重新训练，每次训练的结果都是不同的，下一次的训练。
BP神经网络是不是隐含层节点数越多越好，还是只要最优就行？ 隐层节点数在BP 网络中，隐层节点数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，但是目前理论上还没有一种科学的和普遍的确定方法。目前多数文献中提出的确定隐层节点数的计算公式都是针对训练样本任意多的情况，而且多数是针对最不利的情况，一般工程实践中很难满足，不宜采用。事实上，各种计算公式得到的隐层节点数有时相差几倍甚至上百倍。为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。研究表明，隐层节点数不仅与输入/输出层的节点数有关，更与需解决的问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。在确定隐层节点数时必须满足下列条件：（1）隐层节点数必须小于N-1（其中N为训练样本数），否则，网络模型的系统误差与训练样本的特性无关而趋于零，即建立的网络模型没有泛化能力，也没有任何实用价值。同理可推得：输入层的节点数（变量数）必须小于N-1。(2)训练样本数必须多于网络模型的连接权数，一般为2~10倍，否则，样本必须分成几部分并采用“轮流训练”。
BP神经网络出现局部极小的处理 我认为这是神经网络算法本身一种缺陷，影响它收敛效果的因素有：初始权值，神经网络的训练方式（神经网络的训练函数，不同的函数对收敛影响很大），隐层层数（个人认为这个影响很小）。用遗传算法可以优化初始权值，但是对不同的数据很难用同一组参数都能得到很好效果，遗传算法本身也有它自己的缺陷。所以，你遇到的问题我认为比较有效的是调整遗传算法的参数，比如搜索空间的范围；改变神经网络的训练函数。希望对你有帮助。
bp神经网络为什么要多个输入，一个输出比较好？ 并没有这种说法 bp神经网络是有一定缺陷的，比如容易陷入局部极小值，还有训练的结果依赖初始随机权值，这就好比你下一个山坡，如果最开始的方向走错了，那么你可能永远也。
什么是神经网络的局部极小值 这是BP网络的缺陷问题，BP学习2113算法用梯度下降法调整网5261络的权值，对于凸状4102的误差函1653数来说，它有唯一最小值。但是对实际问题中经常遇到的非凸状误差函数却不能取得最佳的结果，甚至在网络训练后不知道误差函数是否取得全局最小。推荐书《神经网络理论与matlab7实现》
BP神经网络每次训练结果不一样是怎么回事？
神经网络容易陷入局部极小特性的原因是什么 神经网络作种搜索策略时候受搜索算法控制当解空间函数存局部小值时搜索步长较小(动量较小)有能局部求解时求得所有解都指向了极。
