pos神經網路節點設置

① 神經網路參數如何確定

神經網路各個網路參數設定原則：

①、網路節點  網路輸入層神經元節點數就是系統的特徵因子(自變數)個數，輸出層神經元節點數就是系統目標個數。隱層節點選按經驗選取，一般設為輸入層節點數的75%。如果輸入層有7個節點，輸出層1個節點，那麼隱含層可暫設為5個節點，即構成一個7-5-1 BP神經網路模型。在系統訓練時，實際還要對不同的隱層節點數4、5、6個分別進行比較，最後確定出最合理的網路結構。

②、初始權值的確定  初始權值是不應完全相等的一組值。已經證明，即便確定  存在一組互不相等的使系統誤差更小的權值，如果所設Wji的的初始值彼此相等，它們將在學習過程中始終保持相等。故而，在程序中，我們設計了一個隨機發生器程序，產生一組一0.5~+0.5的隨機數，作為網路的初始權值。

③、最小訓練速率  在經典的BP演算法中，訓練速率是由經驗確定，訓練速率越大，權重變化越大，收斂越快；但訓練速率過大，會引起系統的振盪，因此，訓練速率在不導致振盪前提下，越大越好。因此，在DPS中，訓練速率會自動調整，並盡可能取大一些的值，但用戶可規定一個最小訓練速率。該值一般取0.9。

④、動態參數  動態系數的選擇也是經驗性的，一般取0.6 ~0.8。

⑤、允許誤差  一般取0.001~0.00001，當2次迭代結果的誤差小於該值時，系統結束迭代計算，給出結果。

⑥、迭代次數  一般取1000次。由於神經網路計算並不能保證在各種參數配置下迭代結果收斂，當迭代結果不收斂時，允許最大的迭代次數。

⑦、Sigmoid參數 該參數調整神經元激勵函數形式，一般取0.9~1.0之間。

⑧、數據轉換。在DPS系統中，允許對輸入層各個節點的數據進行轉換，提供轉換的方法有取對數、平方根轉換和數據標准化轉換。

(1)pos神經網路節點設置擴展閱讀：

神經網路的研究內容相當廣泛，反映了多學科交叉技術領域的特點。主要的研究工作集中在以下幾個方面：

1.生物原型

從生理學、心理學、解剖學、腦科學、病理學等方面研究神經細胞、神經網路、神經系統的生物原型結構及其功能機理。

2.建立模型

根據生物原型的研究，建立神經元、神經網路的理論模型。其中包括概念模型、知識模型、物理化學模型、數學模型等。

3.演算法

在理論模型研究的基礎上構作具體的神經網路模型，以實現計算機模擬或准備製作硬體，包括網路學習演算法的研究。這方面的工作也稱為技術模型研究。

神經網路用到的演算法就是向量乘法，並且廣泛採用符號函數及其各種逼近。並行、容錯、可以硬體實現以及自我學習特性，是神經網路的幾個基本優點，也是神經網路計算方法與傳統方法的區別所在。

② 如何合理確定神經網路數據挖掘中隱含層\隱含節點數

神經網路的輸入量包含因變數集和目標集（因變數集），設置不同的隱層節點數會有不同的擬合誤差，比較擬合誤差去較小的那個對應的節點數，，，，別忘記神經網路本質上是一種映射關系，，，

③ 神經網路

神經網路是一種運算模型，模擬大腦神經網路處理、記憶信息的方式進行信息處理。晌棗敏

.

搜索神經網路經常會看到這種圈、線圖。神經網路定義是由大量的節點之間相互聯接構成，每個結點代表什麼？每條線代表什麼？

上圖每個圓圓的圈稱之為節點，節點就是對輸入數據乘上一定的權重後，進行函數處理。

每兩個節點間的連接都代表一個權重，這相當於人工神經網路的記憶。

術語上把上面一個個圓圈叫做 「神經元」 ，深入了解這些圈圈的內部構造。
當這些圈圈（神經元）收到數據輸入時，經歷三個步驟：

輸出的結果又可以作為數據進入下一個神經元。

還有一個「偏置」的定義用來完善步驟二，這里就不提了。

·

有時候會遇到這樣的神經網路的圖，其實就是把上面兩種類型圖結合起來。

輸入數據經過3層神經網路處理後，輸岩悔出結果。
不同層數可以有不同數量的神經元。
每個神經元都有對應輸入值的權值w，以及一個偏置b，還有一個激活函數f。
每個神經元的權重w、偏置b、激活函數f都可以不一樣。

所以針對這一特性，當神經元函數採用sigmoid函數時，權重的計算：

其中gj計算如下：

這里y為實際分類，y^為預測分類（神經元f處理結果） 詳細計算

.

有一組數據，包含4個樣本，每個樣本有3個屬性，每一個樣本對於一個已知的分類結果y。（相當於已知結果的訓練樣本，4個樣本，3個特徵）

每個樣本有3個屬性，對應3個權重，進入神經元訓練。第宴枝一層採用10個神經元進行處理。

步驟一：輸入數據*權重

步驟二：代入函數f中計算
上面加權求和後的數據帶入函數，這里使用sigmoid函數。

到這一步一層的神經網路就處理好了，比較預測結果和實際y之間的數值差（上面演算法中提到的偏差d）為：-0.009664、0.00788003、0.00641069、-0.00786466，相差不多。

步驟三：完善權重w
一開始的權重是隨便設置的，故需要根據公式需要完善權重值。

權重計算結果為-0.62737713，-0.30887831，-0.20651647，三個屬性重新賦予合適的權重。

④ matlab實現人工神經網路的時候如何設置輸出層的節點

newff裡面設置啊。

一個函數你想要擬合2種結果？奇了怪了！！！