神經網路權值矩陣如何得出

❶ 哪位大俠能幫下忙：BP神經網路訓練完後 加權值的矩陣怎給出來

你訓練就是為了得到權值啊！
i j k l
i
j
k
l
第i個神經元到第j個神經元的權值格式

❷ 誰知道BP神經網路訓練完後，怎麼求出權值

訓練好後用「save 網路名」保存好網路，保存好的網路下次還可以用。
用net.iw{1,1} net.lw{2,1} net.b{1} net.b{2}分別來查看網路的權值和閾值。
希望對你有用~~

❸ matlab神經網路工具包中，使用3層BP神經網路，人工賦予初始權值，如何使權值矩陣中為0的元素不參與訓練

這個包底下怎麼做我不太確定，如果你是自己寫訓練的話，就每更新一步再乘以個矩陣讓你想要保持為0的元素為0就行了

❹ matlab神經網路工具箱怎麼輸出得到函數代碼段

神經網路訓練出來的是權值矩陣，我想你是想在matlab外用訓練好的神經網路。首先你要在外部實現神經網路演算法，之後你把神經網路訓練出來的權值矩陣讀取到你在外部實現的神經網路演算法中，然後你就可以使用這個神經網路了。

❺ BP神經網路連接權值如何確定

確認方法：
統計學認為，在統計中計算平均數等指標時，對各個變數值具有權衡輕重作用的數值就稱為權數。
例子：求下列數串的平均數
3、4、3、3、3、2、4、4、3、3、
一般求法為（3＋4＋3＋3＋3＋2＋4＋4＋3＋3）／10＝3．2
加權求法為（6＊3＋3＊4＋2）／10＝3．2
其中3出現6次，4出現3次，2出現1次．6、3、1就叫權數。這種方法叫加權法。
一般說的平均數，就是把所有的數加起來，再除以這些數的總個數。表示為：
(p1+p2+p3+…..+pn)/n;
但有的數據記錄中有一些相同的數據，在計算的時候，那一個數有幾個相同數，就把這個數乘上幾，這個幾，就叫權，加權，就是乘上幾後再加。平均數還是要除以總個數。
還是以上面的各個數為例：
它們每個數都有一些相同數，表示為：k1,k2,k3…….kn;
加權平均的公式是：（k1p1+k2p2+k3p3+……knpn）/(k1+k2+k3+…..kn)

❻ 請問matlab如何輸出神經網路的權值

訓練好的權值、閾值的輸出方法是：
輸入到隱層權值： w1=net.iw{1,1}
隱層閾值： theta1=net.b{1}
隱層到輸出層權值： w2=net.lw{2,1};
輸出層閾值： theta2=net.b{2}

這是我常逛的論壇，你有興趣的可以看一下。

❼ 如何查看matlab神經網路權值矩陣

這個很簡單啊，比如說是rbf網路，查看網路權值矩陣方法是：
應該是運行完後，在命令窗口輸入
net.b{1}
net.iw{1,1}
net.b{2}
net.lw{2,1}
你可以在命令窗口輸入type newrbe,查看該函數裡面的一些參數，把你需要的輸出即可

❽ matlab神經網路工具箱訓練出來的函數，怎麼輸出得到函數代碼段

神經網路訓練出來的是權值矩陣
我想你是想在matlab外用訓練好的神經網路
首先你要在外部實現神經網路演算法
之後你把神經網路訓練出來的權值矩陣讀取到你在外部實現的神經網路演算法中
然後你就可以使用這個神經網路了

❾ 神經網路權值怎麼確定

神經網路的權值是通過對網路的訓練得到的。如果使用MATLAB的話不要自己設定，newff之後會自動賦值。也可以手動：net.IW{}= ; net.bias{}=。一般來說輸入歸一化，那麼w和b取0-1的隨機數就行。神經網路的權值確定的目的是為了讓神經網路在訓練過程中學習到有用的信息，這意味著參數梯度不應該為0。

參數初始化要滿足兩個必要條件：

1、各個激活層不會出現飽和現象，比如對於sigmoid激活函數，初始化值不能太大或太小，導致陷入其飽和區。

2、各個激活值不為0，如果激活層輸出為零，也就是下一層卷積層的輸入為零，所以這個卷積層對權值求偏導為零，從而導致梯度為0。

(9)神經網路權值矩陣如何得出擴展閱讀：

神經網路和權值的關系。

在訓練智能體執行任務時，會選擇一個典型的神經網路框架，並相信它有潛力為這個任務編碼特定的策略。注意這里只是有潛力，還要學習權重參數，才能將這種潛力變化為能力。

受到自然界早成行為及先天能力的啟發，在這項工作中，研究者構建了一個能自然執行給定任務的神經網路。也就是說，找到一個先天的神經網路架構，然後只需要隨機初始化的權值就能執行任務。研究者表示，這種不用學習參數的神經網路架構在強化學習與監督學習都有很好的表現。

其實如果想像神經網路架構提供的就是一個圈，那麼常規學習權值就是找到一個最優點（或最優參數解）。但是對於不用學習權重的神經網路，它就相當於引入了一個非常強的歸納偏置，以至於，整個架構偏置到能直接解決某個問題。

但是對於不用學習權重的神經網路，它相當於不停地特化架構，或者說降低模型方差。這樣，當架構越來越小而只包含最優解時，隨機化的權值也就能解決實際問題了。如研究者那樣從小架構到大架構搜索也是可行的，只要架構能正好將最優解包圍住就行了。