急！神经网络建模后各个输入变量对输出的敏感性分析 这个，好像看过一个MIV的方法。在神经网络43个案例那书里有。神经网络之家>；nnetinfo网，里有一篇文章也讲到。不让发链接，你自己找找，神经网络之家-》教学区-》-学习教程二-》基于MIV的相关变量检测就这两个文章我看讲得比较好。还有代码
神经网络训练时对输入有什么特别的要求吗？ 请教各位大神，神经网络进行回归分析，除了数据要预先清洗以外，在以下方面有没有特别的限制。假设一层…
神经网络训练时对输入有什么特别的要求吗 可以，但是网络规模太大，很臃肿，需要调整的参数过多，影响收敛速度。
急！神经网络建模后各个输入变量对输出的敏感性分析 我觉得首先应该将8个输入变量进行归一化处理，将有量纲的不同输入量变成可以相互比较的无量纲量，然后再依次等幅度改变8个变量归一化后的数值，改变一个变量时另外的变量不变，看看这个改变对结果的影响如何，结果变化大的就敏感，结果小的就不敏感。这都是我空想的，对不对我就不知道啦，你自己再想想吧！
如何用keras实现多变量输入神经网络？ 要点如下：1、神经网络基本百结构，应该是输入层-若干个隐含层-输出层。度2、输入知层应该有7个输入变量。3、隐含层层数自定，但每道层要超过7个神经元。4、输出层可以用softmax之类的回函数，将隐含层的输出归并成一个。代码请自行编答写。
神经网络预测.我已经建立了一个神经网络模型，并用已知的输入输出去测试这个网络，但是如何求未知输入呢？ 不是很明白你说什么，什么叫未知的输入，能再说清楚点吗
bp神经网络对输入数据和输出数据有什么要求 p神经网络2113的输入数据越多越好，输出数据需要反映网络5261的联想记忆和预测能4102力。BP网络能学习和存贮大量的输1653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(hide layer)和输出层(output layer)。BP网络具有高度非线性和较强的泛化能力，但也存在收敛速度慢、迭代步数多、易于陷入局部极小和全局搜索能力差等缺点。扩展资料：BP算法主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。1、初始化，随机给定各连接权及阀值。2、由给定的输入输出模式对计算隐层、输出层各单元输出3、计算新的连接权及阀值，计算公式如下：4、选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。参考资料来源：-BP神经网络
神经网络做预估计是怎么回事？就是要求用生产过程中能够测得的变量估计无法测得的变量，求解释一下 假设直接测量得到的变量有m个，组成向量X=[x1，x2…xm]。不能直接测量的量有n个，组成向量Y=[y1，y2…yn]。可以认为，一组向量X就对应一组向量Y。获得许多组这样的数据组成样本，将输入和输出样本提交给神经网络，神经网络通过一定的训练算法，如BP算法对这组数据进行学习。当网络训练好后，该网络就能反映这些数据内部的非线性关系。当你用一组新测量到的数据Xtest作为输入，神经网络的输出Ytest就是预估值。下图是神经网络的模型示意图，输入为x，输出为Y。
神经网络输入参数为什么要归一化 归一化有同一、统一和合2113一5261的意思。无论是为了建模还是为了计算4102，首先基本度1653量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测的，归一化是同一在0-1之间的统计概率分布；SVM是以降维后线性划分距离来分类和仿真的，因此时空降维归一化是统一在-1-+1之间的统计坐标分布。一分为二和合二为一争论了多年，这里归一化也有合二为一的思想。
模糊神经网络中输入变量的一阶多项式p是指什么 请把问题再描述清楚些，给定什么条件，想要什么结果？最好能举个例子。恐怕很多人对一元多项式对忘了差不多了。。
