⑴ 神經網路的隱含層確定方法有多少種
確定神經網路隱層數的方法有很多種，現在沒有說那一種是最好的。具體的還要結合你的問題來解決。
至於說2n+1個隱層神經元個數，也是需要根據具體問題來確定的。
比方說，你可以在2n+1的基礎上確定一個正負10的區域，分別用區域中的數值代到網路中，看最後誰的誤差最小就用哪一個。
⑵ 網路要優化一般從哪些方面來入手
一般從啟動時開啟的軟體，殺毒等等進行優化
⑶ 求教遺傳演算法優化兩層隱含層結構的BP神經網路的問題
這四個都屬於人工智慧演算法的范疇。其中BP演算法、BP神經網路和神經網路 屬於神經網路這個大類。遺傳演算法為進化演算法這個大類。 神經網路模擬人類大腦神經計算過程，可以實現高度非線性的預測和計算，主要用於非線性擬合，識別，特點是需要「訓練」，
⑷ bp神經網路訓練樣本增加很多，但是隱含層節點數還是不變會不會欠擬合，或者過擬合求大神告知！
學習神經網路這段時間，有一個疑問，BP神經網路中訓練的次數指的網路的迭代次數，如果有a個樣本,每個樣本訓練次數n，則網路一共迭代an次，在n>>a 情況下 ， 網路在不停的調整權值，減小誤差，跟樣本數似乎關系不大。而且，a大了的話訓練時間必然會變長。
換一種說法，將你的數據集看成一個固定值， 那麼樣本集與測試集 也可以按照某種規格確定下來如7：3 所以如何看待 樣本集的多少與訓練結果呢？ 或者說怎麼使你的網路更加穩定，更加符合你的所需 。
我嘗試從之前的一個例子中看下區別
如何用70行Java代碼實現深度神經網路演算法
作者其實是實現了一個BP神經網路 ，不多說，看最後的例子
一個運用神經網路的例子
最後我們找個簡單例子來看看神經網路神奇的效果。為了方便觀察數據分布，我們選用一個二維坐標的數據，下面共有4個數據，方塊代表數據的類型為1，三角代表數據的類型為0，可以看到屬於方塊類型的數據有（1，2）和（2，1），屬於三角類型的數據有（1，1），（2，2），現在問題是需要在平面上將4個數據分成1和0兩類，並以此來預測新的數據的類型。
圖片描述
我們可以運用邏輯回歸演算法來解決上面的分類問題，但是邏輯回歸得到一個線性的直線做為分界線，可以看到上面的紅線無論怎麼擺放，總是有一個樣本被錯誤地劃分到不同類型中，所以對於上面的數據，僅僅一條直線不能很正確地劃分他們的分類，如果我們運用神經網路演算法，可以得到下圖的分類效果，相當於多條直線求並集來劃分空間，這樣准確性更高。
圖片描述
簡單粗暴，用作者的代碼運行後 訓練5000次 。根據訓練結果來預測一條新數據的分類（3,1）
預測值 （3,1）的結果跟（1,2）（2,1）屬於一類 屬於正方形
這時如果我們去掉 2個樣本，則樣本輸入變成如下
//設置樣本數據，對應上面的4個二維坐標數據 double[][] data = new double[][]{{1,2},{2,2}}; //設置目標數據，對應4個坐標數據的分類 double[][] target = new double[][]{{1,0},{0,1}};
1
2
3
⑸ matlab 神經網路怎麼確定隱含層的層數及個傳遞函數
隱含層個數憑經驗，湊出來的~一般不會太大。傳遞函數tranlm是默認的，一般也不用改，除非有要求。
⑹ 神經網路，隱含層節點數越多，遺傳演算法適應函數越小！這是怎麼回事
1.為什麼神經網路還要用遺傳演算法啊？為什麼不是反向傳播？隱含層節點的數目理論上是超參數，針對不同問題，不同數目的隱含層效果都不一樣，一般還是得試錯法。
2.如果最後一定要用遺傳演算法，那隱含層節點就組成你用來進行各種交叉、變異操作的權重（基因）向量。那這個向量的長度取決於你的目標函數，目標函數中你挑選出來的帶權重的特徵（已知的輸入）的數目，就是權重向量的多少，這東西不能自己隨便變。
3.寫到這我突然明白了，你是找不到目標函數中的特徵，想用神經網路提高維特徵，然後再用遺傳演算法找這些特徵的權重嗎？既然特徵的多少（即隱含層節點的數目）你是未知的，那同1，和普通的神經網路一樣，對於不同的問題節點的數目是超參數，你只能通過實驗法確定了。既然你試出來節點很高時適應度函數低，那就減少節點數目吧。
節點多，按照我的理解，最後可能可以更精確，但在一開始並不容易找到最優解的方向（也許永遠找不到）。問題並不復雜就減少節點數目吧，節點太多也會過擬合。
⑺ 求一個dnn深度神經網路代碼 用於語音信號處理方面的，主要是提取隱含層的輸出
注意：訓練樣本和測試樣本是不一樣的。 判斷正確和錯誤，主要是看能不能通過訓練分析機以及是否在誤差內。正確率的得出：對測試樣本進行測試，看看識別出來的有哪些，除以測試樣本的總數即可。