Ⅰ 神经网络是不是都要归一化！
归一化，就是为了限定你的输入向量的最大值跟最小值不超过你的隐层跟输出层函数的限定范围。比如，你的隐层的传递函数为logsig，那么你的输出就在0~1范围内，如果你的传递函数为tansig，你的隐层的输出在-1~·范围内，用归一化，这也是为了你的隐层传递函数的输出着想。标准化，只是对数据进行了统一的标准，其大小可能已经超出了隐层传递函数的界定范围，在后续的运行时，容易出错。
Ⅱ 请问BP神经网络的输出层元个数有限制吗急！
太专业了
Ⅲ pytorch如何约束神经网络模型的权重范围
里面有个clip
Ⅳ 请教一个关于matlab BP神经网络输出层的问题
不存在确定的关系。
你问的应该是输出层数和输出之间的预测准确度吧？
1，一般，BP神经网络是3层的，有一个输入层，一个隐层，一个输出层。
2，你如果学的不需要不是十分深入的话，调整隐层数和隐层结点数，隐层的转换函数，就可以调整预测准确度。
3，BP神经网络的隐层数，各隐层的节点数都是要不断的调节的，不过有一个一般性的范围。
隐层节点数 L<n-1或L=log2（n）取整或L<sqrt(m-n)+a (这里的n是上一层节点数，m是下一层节点数，a是1-10任意常数)。
4，转换函数的选择看书本吧，一般你用软件的话，软件的默认转换函数都可以的。
Ⅳ matlab实现人工神经网络的时候如何设置输出层的节点
newff里面设置啊。
一个函数你想要拟合2种结果？奇了怪了！！！
Ⅵ 神经网络的主要内容特点
（1） 神经网络的一般特点
作为一种正在兴起的新型技术神经网络有着自己的优势，他的主要特点如下：
① 由于神经网络模仿人的大脑，采用自适应算法。使它较之专家系统的固定的推理方式及传统计算机的指令程序方式更能够适应化环境的变化。总结规律，完成某种运算、推理、识别及控制任务。因而它具有更高的智能水平，更接近人的大脑。
② 较强的容错能力，使神经网络能够和人工视觉系统一样，根据对象的主要特征去识别对象。
③ 自学习、自组织功能及归纳能力。
以上三个特点是神经网络能够对不确定的、非结构化的信息及图像进行识别处理。石油勘探中的大量信息就具有这种性质。因而，人工神经网络是十分适合石油勘探的信息处理的。
（2） 自组织神经网络的特点
自组织特征映射神经网络作为神经网络的一种，既有神经网络的通用的上面所述的三个主要的特点又有自己的特色。
① 自组织神经网络共分两层即输入层和输出层。
② 采用竞争学记机制，胜者为王，但是同时近邻也享有特权，可以跟着竞争获胜的神经元一起调整权值，从而使得结果更加光滑，不想前面的那样粗糙。
③ 这一网络同时考虑拓扑结构的问题，即他不仅仅是对输入数据本身的分析，更考虑到数据的拓扑机构。
权值调整的过程中和最后的结果输出都考虑了这些，使得相似的神经元在相邻的位置，从而实现了与人脑类似的大脑分区响应处理不同类型的信号的功能。
④ 采用无导师学记机制，不需要教师信号，直接进行分类操作，使得网络的适应性更强，应用更加的广泛，尤其是那些对于现在的人来说结果还是未知的数据的分类。顽强的生命力使得神经网络的应用范围大大加大。
Ⅶ 径向基神经网络的输出个数有没有限制
没有规定说只能有一个输出，输出向量维数也是根据你的输出样本确定的。在RBF网络之前训练，需要给出输入向量X和目标向量T，训练的目的是要求得第一层和第二层之间的权值W1、阀值B1，和第二层与第三层之间的权值W2、阀值B2。整个网络的训练分为两步，第一部是无监督的学习，求W1、B1。第二步是有监督的学习求W2、B2。
newrbe（）函数：和newrb（）功能差不多，用于创建一个精确地神经网络，能够基于设计向量快速的无误差的设计一个径向基网络。该函数在创建RBF网络的时候，自动选择隐含层数目，隐藏层的数目等于样本输入向量的数目，使得误差为0。在样本输入向量非常多的情况下，用rbe就不大合适。
Ⅷ 神经网络的硬限幅函数是什么举个例子
基于MATLAB的神经网络编程
(1)编程理论
作为比较成熟的算法，软件Matlab中有神经网络工具箱，所以可以借助Matlab神经网络工具箱的强大功能，在此基础上进行二次开发，从繁琐的编程工作中解脱出来，大大提高工作效率。
Matlab的神经网络工具箱是在Matlab环境下所开发出来的许多工具箱之一，它以人工神经网络理论为基础，用Matlab语言构造出典型神经网络的激活函数（如S型、线性等激活函数），使使用者对所选定网络的输出计算编程对激活函数的调用；另外，根据各种修改网络权值的规律，加上网络的训练过程，用Matlab编写出各种网络训练的子程序。这样，使用者可以根据自己的应用要求，直接调用（或加进自己编写的）神经网络子函数，而不必要从事繁琐的编程。
基于Matlab的BP神经网络编程过程如下：
(1)对样本集进行归一化
确定输入样本和输出样本，并对它们进行归一化，将输入和输出样本变换到（0.1，0.9）区间，由于Matlab的归一化函数premnmx把数据变换到（-1，1）之间，所以使用自编premnmx2归一化函数。
(2)创建BP神经网络
在样本集确定之后，即可进行网络的结构设计，在Matlab中一般使用newff创建函数，它不但创建了网络对象，还自动初始化网络的权重和阈值。如果需要重新初始化网络权重和阈值，可以使用Init函数。
关键语句如下：
net＝newff（输入样本的取值范围，[网络各层的神经元数目]，{网络各层神经元的激活函数}，‘训练函数'，‘学习函数’，‘性能函数’）
一般选用三层BP网络，输入层、输出层的神经元个数根据具体情况确定，而隐层神经元个数目前多采用经验的方法确定。
(3)设置网络的训练参数
net.trainParam.epochs―最大收敛次数；
net.trainParam.goal―收敛误差；
net.trainParam.show―显示间隔；
以上在一般的神经网络训练中都有使用，本文使用Levenberg－Marquart优化算法进行训练，还需设置的参数有：
net.trainParam.mu―Levenberg－Marquart优化算法中的
net.trainParam.mu_dec― 的缩减因子；