神经网络训练时对输入有什么特别的要求吗？ 神经网络输入变量要求

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…求救！在线等啊！5个输入自变量，1个输出变量，怎么用RBF神经网络模型预测？ 既然用matlab的话rbf神经网络不需要自己写代码，matlab有提供的RBF工具箱.训练命令主要有两个，一个是固定隐含层节点数的指令newrbe，一个是变隐含层节点数的指令newrb.预测输出指令和其他神经网络一样，是sim.常用指令输出格式是net = newrbe(P，T，spread)；net = newrb(P，T，goal，spread，MN，DF)；X=sim(net，xn_test).参数具体格式参看help newrbe；help newrb以及help sim，参数物理意义参看相关理论，不再赘述了.因为一般不存在局部最小问题，所以不需要使用结构体编辑指令设置初值，如果需要中间过程的原始数据，可以在训练结构体中找到(即为net参数，存储格式为结构体)，结构体内部数据的物理意义，参看help help关于rbf神经网络结构体的介绍.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。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！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 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。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。

#神经网络模型#自变量#网络模型#台风#bp神经网络算法