神經網路有哪些問題

㈠ 多層神經網路解決哪些問題

多層神經網路解決提著非線性的問題，包括分類和回歸問題

㈡ BP神經網路的核心問題是什麼其優缺點有哪些

人工神經網路,是一種旨在模仿人腦結構及其功能的信息處理系統,就是使用人工神經網路方法實現模式識別.可處理一些環境信息十分復雜,背景知識不清楚,推理規則不明確的問題,神經網路方法允許樣品有較大的缺損和畸變.神經網路的類型很多,建立神經網路模型時,根據研究對象的特點,可以考慮不同的神經網路模型. 前饋型BP網路,即誤差逆傳播神經網路是最常用,最流行的神經網路.BP網路的輸入和輸出關系可以看成是一種映射關系,即每一組輸入對應一組輸出.BP演算法是最著名的多層前向網路訓練演算法,盡管存在收斂速度慢,局部極值等缺點,但可通過各種改進措施來提高它的收斂速度,克服局部極值現象,而且具有簡單,易行,計算量小,並行性強等特點,目前仍是多層前向網路的首選演算法.

• 多層前向BP網路的優點：

• 網路實質上實現了一個從輸入到輸出的映射功能，而數學理論已證明它具有實現任何復雜非線性映射的功能。這使得它特別適合於求解內部機制復雜的問題；

• 網路能通過學習帶正確答案的實例集自動提取「合理的」求解規則，即具有自學習能力；

• 網路具有一定的推廣、概括能力。

• 多層前向BP網路的問題：

• 從數學角度看，BP演算法為一種局部搜索的優化方法，但它要解決的問題為求解復雜非線性函數的全局極值，因此，演算法很有可能陷入局部極值，使訓練失敗；

• 網路的逼近、推廣能力同學習樣本的典型性密切相關，而從問題中選取典型樣本實例組成訓練集是一個很困難的問題。

• 難以解決應用問題的實例規模和網路規模間的矛盾。這涉及到網路容量的可能性與可行性的關系問題，即學習復雜性問題；

• 網路結構的選擇尚無一種統一而完整的理論指導，一般只能由經驗選定。為此，有人稱神經網路的結構選擇為一種藝術。而網路的結構直接影響網路的逼近能力及推廣性質。因此，應用中如何選擇合適的網路結構是一個重要的問題；

• 新加入的樣本要影響已學習成功的網路，而且刻畫每個輸入樣本的特徵的數目也必須相同；

• 網路的預測能力（也稱泛化能力、推廣能力）與訓練能力（也稱逼近能力、學習能力）的矛盾。一般情況下，訓練能力差時，預測能力也差，並且一定程度上，隨訓練能力地提高，預測能力也提高。但這種趨勢有一個極限，當達到此極限時，隨訓練能力的提高，預測能力反而下降，即出現所謂「過擬合」現象。此時，網路學習了過多的樣本細節，而不能反映樣本內含的規律

• 由於BP演算法本質上為梯度下降法，而它所要優化的目標函數又非常復雜，因此，必然會出現「鋸齒形現象」，這使得BP演算法低效；

• 存在麻痹現象，由於優化的目標函數很復雜，它必然會在神經元輸出接近0或1的情況下，出現一些平坦區，在這些區域內，權值誤差改變很小，使訓練過程幾乎停頓；

• 為了使網路執行BP演算法，不能用傳統的一維搜索法求每次迭代的步長，而必須把步長的更新規則預先賦予網路，這種方法將引起演算法低效。

㈢ 神經網路主要用於什麼問題的求解

神經網路的研究可以分為理論研究和應用研究兩大方面。
理論研究可分為以下兩類：
1、利用神經生理與認知科學研究人類思維以及智能機理。
2、利用神經基礎理論的研究成果，用數理方法探索功能更加完善、性能更加優越的神經網路模型，深入研究網路演算法和性能，如：穩定性、收斂性、容錯性、魯棒性等；開發新的網路數理理論，如：神經網路動力學、非線性神經場等。
應用研究可分為以下兩類：
1、神經網路的軟體模擬和硬體實現的研究。
2、神經網路在各個領域中應用的研究。這些領域主要包括：
模式識別、信號處理、知識工程、專家系統、優化組合、機器人控制等。隨著神經網路理論本身以及相關理論、相關技術的不斷發展，神經網路的應用定將更加深入。
http://ke..com/view/5348.htm?fr=ala0_1

㈣ 還想問你個問題，有關神經網路的

在高等數學中，學過極小值和最小值的概念。極小值是在某個極小的區間領域內，取得最小的那個點；而最小值是在所有極小值中再取最小得到的。
在神經網路訓練過程中，如果將權值與誤差做成一個多維的坐標，就可以形成一張誤差曲面。這個曲面不是平坦的，它是坑坑窪窪的，有的地方凸起、有的地方凹下去，凹下去的那塊地方就是極小值所在。
假設神經網路搜索過程中，每次訓練得到的網路的權值——對應處於曲面上的一個小球；神經網路的向誤差最小方向靠近的訓練方式——對應小球受重力影響向下滑落。當這個小球陷入到局部極小的凹坑中時，由於重力作用（負梯度），它就永遠保持在凹坑的底部，即陷入局部極小點。
訓練時，當小球穩定在某個凹坑底部時，它不知道它是不是到達了全局最優點，它只知道，它現在所在的位置，無論向哪個方向滾動，永遠都是上坡，而重力是向下的，所以它最終穩定在碗底。

跳出局部極小，就是讓小球從碗底升起來，方式多種多樣：人為給小球一個動量，讓他沖一沖坡，如果坑比較淺，小球說不定就沖出來了，就能繼續受重力作用，繼續向更低位置靠近。這就是跳出局部極小點的方法。

㈤ 關於神經網路的問題。

樓主說的是matlab的BP神經網路工具箱么?
這得看樓主想改動什麼.

你若果是想改動一下訓練中的學習率的調整方法的話,是可以的,例如你要改動traingd裡面的內容,只需要打開traingd.m,在裡面找到相應的部分作修改.

但是,若果樓主是想改動誤差函數的話,就很困難了.,因為訓練整個演算法都是基於均方差誤差函數來編寫的,若果改動的話幾乎大部分文件都要改動了,

若果樓主想改動傳遞函數的話, 也是很麻煩的, 因為網路有很多處要填寫網路的信息,並且裡面有部分是硬編碼,若果漏掉這些細節沒修改的話也會通不過,

我以前也想過改動一下下,後來看了裡面的代碼後直接放棄了,因為對大多數情況來說,直接改動工具箱還不如自己好好理解演算法後,自己寫一個神經網路來得劃算.

不過具體還是得看樓主要改動什麼,有些東西的確是可以改的.
同時建議找舊些的版本改,越新的版本結構越復雜,不信你把tansig函數打開看一下,2012B明顯比2010A要復雜了.

樓主在做這方面的研究么,可以上 <神經網路之家> <matlab中文論壇>搜搜資料,和借鑒matlab工具箱的代碼來學習. <神經網路之家>和<中文論壇>里都有講解的視頻,
祝樓主學習愉快.

純手打的,各位看官覺得精彩順手點個!贊!thx

㈥ 向你詢問關於神經網路的問題。拜託了。

人工神經網路是對神經網路功能的模擬實現，用到的原理有的是神經網路的原理，有的是人為開發的功能。

㈦ 神經網路優缺點，

優點：

（1）具有自學習功能。例如實現圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網路，網路就會通過自學習功能，慢慢學會識別類似的圖像。

自學習功能對於預測有特別重要的意義。預期未來的人工神經網路計算機將為人類提供經濟預測、市場預測、效益預測，其應用前途是很遠大的。

（2）具有聯想存儲功能。用人工神經網路的反饋網路就可以實現這種聯想。

（3）具有高速尋找優化解的能力。尋找一個復雜問題的優化解，往往需要很大的計算量，利用一個針對某問題而設計的反饋型人工神經網路，發揮計算機的高速運算能力，可能很快找到優化解。

缺點：

（1）最嚴重的問題是沒能力來解釋自己的推理過程和推理依據。

（2）不能向用戶提出必要的詢問，而且當數據不充分的時候，神經網路就無法進行工作。

（3）把一切問題的特徵都變為數字，把一切推理都變為數值計算，其結果勢必是丟失信息。

（4）理論和學習演算法還有待於進一步完善和提高。

(7)神經網路有哪些問題擴展閱讀：

神經網路發展趨勢

人工神經網路特有的非線性適應性信息處理能力，克服了傳統人工智慧方法對於直覺，如模式、語音識別、非結構化信息處理方面的缺陷，使之在神經專家系統、模式識別、智能控制、組合優化、預測等領域得到成功應用。

人工神經網路與其它傳統方法相結合，將推動人工智慧和信息處理技術不斷發展。近年來，人工神經網路正向模擬人類認知的道路上更加深入發展，與模糊系統、遺傳演算法、進化機制等結合，形成計算智能，成為人工智慧的一個重要方向，將在實際應用中得到發展。

將信息幾何應用於人工神經網路的研究，為人工神經網路的理論研究開辟了新的途徑。神經計算機的研究發展很快，已有產品進入市場。光電結合的神經計算機為人工神經網路的發展提供了良好條件。

神經網路在很多領域已得到了很好的應用，但其需要研究的方面還很多。其中，具有分布存儲、並行處理、自學習、自組織以及非線性映射等優點的神經網路與其他技術的結合以及由此而來的混合方法和混合系統，已經成為一大研究熱點。

由於其他方法也有它們各自的優點，所以將神經網路與其他方法相結合，取長補短，繼而可以獲得更好的應用效果。目前這方面工作有神經網路與模糊邏輯、專家系統、遺傳演算法、小波分析、混沌、粗集理論、分形理論、證據理論和灰色系統等的融合。

參考資料：網路-人工神經網路

㈧ 神經網路演算法可以解決的問題有哪些

人工神經網路（Artificial Neural Networks，ANN）系統是 20 世紀 40 年代後出現的。它是由眾多的神經元可調的連接權值連接而成，具有大規模並行處理、分布式信 息存儲、良好的自組織自學習能力等特點。BP（Back Propagation）演算法又稱為誤差 反向傳播演算法，是人工神經網路中的一種監督式的學習演算法。BP 神經網路演算法在理 論上可以逼近任意函數，基本的結構由非線性變化單元組成，具有很強的非線性映射能力。而且網路的中間層數、各層的處理單元數及網路的學習系數等參數可根據具體情況設定，靈活性很大，在優化、信號處理與模式識別、智能控制、故障診斷等許 多領域都有著廣泛的應用前景。

工作原理
人工神經元的研究起源於腦神經元學說。19世紀末，在生物、生理學領域，Waldeger等人創建了神經元學說。人們認識到復雜的神經系統是由數目繁多的神經元組合而成。大腦皮層包括有100億個以上的神經元，每立方毫米約有數萬個，它們互相聯結形成神經網路，通過感覺器官和神經接受來自身體內外的各種信息，傳遞至中樞神經系統內，經過對信息的分析和綜合，再通過運動神經發出控制信息，以此來實現機體與內外環境的聯系，協調全身的各種機能活動。
神經元也和其他類型的細胞一樣，包括有細胞膜、細胞質和細胞核。但是神經細胞的形態比較特殊，具有許多突起，因此又分為細胞體、軸突和樹突三部分。細胞體內有細胞核，突起的作用是傳遞信息。樹突是作為引入輸入信號的突起，而軸突是作為輸出端的突起，它只有一個。
樹突是細胞體的延伸部分，它由細胞體發出後逐漸變細，全長各部位都可與其他神經元的軸突末梢相互聯系，形成所謂「突觸」。在突觸處兩神經元並未連通，它只是發生信息傳遞功能的結合部，聯系界面之間間隙約為（15～50)×10米。突觸可分為興奮性與抑制性兩種類型，它相應於神經元之間耦合的極性。每個神經元的突觸數目正常，最高可達10個。各神經元之間的連接強度和極性有所不同，並且都可調整、基於這一特性，人腦具有存儲信息的功能。利用大量神經元相互聯接組成人工神經網路可顯示出人的大腦的某些特徵。
人工神經網路是由大量的簡單基本元件——神經元相互聯接而成的自適應非線性動態系統。每個神經元的結構和功能比較簡單，但大量神經元組合產生的系統行為卻非常復雜。
人工神經網路反映了人腦功能的若干基本特性，但並非生物系統的逼真描述，只是某種模仿、簡化和抽象。
與數字計算機比較，人工神經網路在構成原理和功能特點等方面更加接近人腦，它不是按給定的程序一步一步地執行運算，而是能夠自身適應環境、總結規律、完成某種運算、識別或過程式控制制。
人工神經網路首先要以一定的學習准則進行學習，然後才能工作。現以人工神經網路對於寫「A」、「B」兩個字母的識別為例進行說明，規定當「A」輸入網路時，應該輸出「1」，而當輸入為「B」時，輸出為「0」。
所以網路學習的准則應該是：如果網路作出錯誤的的判決，則通過網路的學習，應使得網路減少下次犯同樣錯誤的可能性。首先，給網路的各連接權值賦予(0，1)區間內的隨機值，將「A」所對應的圖象模式輸入給網路，網路將輸入模式加權求和、與門限比較、再進行非線性運算，得到網路的輸出。在此情況下，網路輸出為「1」和「0」的概率各為50%，也就是說是完全隨機的。這時如果輸出為「1」(結果正確)，則使連接權值增大，以便使網路再次遇到「A」模式輸入時，仍然能作出正確的判斷。

㈨ 新手，神經網路的問題，求大神們解答啊

我覺得 就 BP 神經網路就很好好 ，你 分為31 類， 輸出層31， 一般隱層 2-4 層就可以了，你的第一層 沒必要弄那麼多神經元吧，第二層也是，沒必要那麼多，你開始可以【5,5,31】，在設置 一定的迭代次數，和誤差，看看訓練結果 好不 ，不好的話在適當增加第1 .2 層的 神經元個數 比如改為【10,5 ，31】。。BP神經網路傳遞函數 一般包括：logsig(n) tansig(n) purelin(n)
這3 種 ，他們的取值范圍 分別為【0,1】 【-1,1】 【整個平面都可以取】 所以輸出層的傳遞函數 要依據你的輸出選函數，BP 的 訓練函數就比較多了，這個網路裡面都有 ；隱層常採用tansig
函數進行中間結果傳遞，

㈩ 人工神經網路可以解決哪些問題

1. 信息領域中的應用：信息處理、模式識別、數據壓縮等。

2. 自動化領域：系統辨識、神經控制器、智能檢測等。

3. 工程領域：汽車工程、軍事工程、化學工程、水利工程等。
   

4. 在醫學中的應用：生物信號的檢測與分析、生物活性研究、醫學專家系統等。

5. 經濟領域的應用：市場價格預測、風險評估等。

此外還有很多應用，比如交通領域的應用，心理學領域的應用等等。神經網路的應用領域是非常廣的。