多变量的输入神经网络

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…BP神经网络的每一个样本可以是一个矩阵吗？如何输入？谢谢！ 你可以把矩阵按你的规律变形为向量 然后当作一个样本 网络训练好之后预测的结果按你之前的规律反过来变形 应该就可以了 神经网络应该也能把握数据的规律要强调一点是 单个样本应该只能是向量的形式如何用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。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。百度不让发链接，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。还有代码人工神经网络可以预测输入层变量吗? 用的是BP人工神经网络，训练后得到模型，可以把输出变量值和除了要预测的输入变量外的其他输入变量值代入…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。程序已完成。两个类,一个类Node。封装多项式用的。一个计算用的。链表直接用java里面的ArraryList了，不用自己再写结构了。在用bp神经网络时,需要输入数据,但有些数据是定性数据,如何将定性数据定量化 你所说的应该是输入数据的预处理 即pre-processing,你使用ST Nueral Networks的话,里面有自动的预处理,你输入定性数据(nominal variable)后,软件可以自动预处理后转化为神经网络可以识别的数值.或者你自己设置例1 根据年鉴记载的某些地区经度,纬度与台风类型的关系预测任意经纬度下台风类型(台风A或者台风B),台风类型就属于定性数据在STNN中你可以现将输出变量设置为nominal variable,然后设置输出变量的数目为2,分别是V1和V2,构建网络的时候经纬度对应台风A的,设置输出值为V1,为台风B的设置为V2,预测时,网络可以给出结果V1或者V2,你就知道是哪种台风了.例2 根据现有的水质标准以及数种污染物的采样值预测该河流的水质级别输出值为水质级别,同样为nominal variable,你可以将输出值作一个标准化处理,设总共有五个水质级别,你可以将输出变量区间化分为0-0.2,0.2-0.4,0.4-0.6,0.6-0.8,0.8-1,设置第一级别水质对应的输出值为0.2 第2级水质对应0.4,等等,第5级水质对应1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。关于隐层节点数：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！

#台风#神经网络模型