① 你的那個matlab神經網路的問題怎麼解決的，我還是有問題這個
有什麼問題，請具體描述。
神經網路可以指向兩種，一個是生物神經網路，一個是人工神經網路。生物神經網路：一般指生物的大腦神經元，細胞，觸點等組成的網路，用於產生生物的意識，幫助生物進行思考和行動。人工神經網路（Artificial Neural Networks，簡寫為ANNs）也簡稱為神經網路（NNs）或稱作連接模型（Connection Model），它是一種模仿動物神經網路行為特徵，進行分布式並行信息處理的演算法數學模型。這種網路依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。
② 神經網路主要解決什麼問題
神經網路模型屬於黑箱模型，它通過對已有數據進行機器學習，然後可以用該模型進行預測、判別等。
③ Geoffrey+Hinton提出什麼方法解決多層神經網路的問題
摘要 池化為每一層級帶來了少量的平移不變性。
④ FLUENT運行過程中,出現殘差曲線震盪是怎麼回事如何解決殘差震盪的問題殘差震盪
FLUENT中殘差的概念
殘差－是cell各個face的通量之和，當收斂後，理論上當單元內沒有源項使各個面流入的通量也就是對物理量的輸運之和應該為零。最大殘差或者RSM殘差反映流場與所要模擬流場（只收斂後應該得到的流場，當然收斂後得到的流場與真實流場之間還是存在一定的差距）的殘差，殘差越小越好，由於存在數值精度問題，不可能得到0殘差，對於單精度計算一般應該低於初始殘差1e-03以下才好，當注意具體情況，看各個項的收斂情況（比方說連續項不易收斂而能量項容易）。
一般在FLUENT中可以進行進出口流量監控，當殘差收斂到一定程度後，還要看進出口流量是否穩定平衡，才可確定收斂與否（翼型計算時要監控升阻力的平衡）。
殘差在較高位震盪，需要檢查邊界條件是否合理，其次檢查初始條件是否合理，必如激波的流場，初始條件的不合適會造成流場的振盪。有時流場可能有分離或者迴流，這本身是非定常現象，計算時殘差會在一定程度上發生振盪，這是如果進出口流量是否達到穩定平衡，也可以認為流場收斂。另外fluent預設採用多重網格，在計算後期將多從網格設置為0可以避免一些波長的殘差在細網格上發生震盪.
⑤ 如何用神經網路解決Q-learning的問題
經過幾十年的發展，神經網路理論在模式識別、自動控制、信號處理、輔助決策、人工智慧等眾多研究領域取得了廣泛的成功。將人工神經網路應用至實際問題時，需先分析問題有哪些參量，如何抽象建立模型，最後選擇一種適當的神經網路模型，經過訓練即可映射該問題。人工神經網路由於其獨特的模型結構和固有的非線性模擬能力，以及高度的自適應和容錯特性等突出特徵，在控制系統中獲得了廣泛的應用。其在各類控制器框架結構的基礎上，加入了非線性自適應學習機制，從而使控制器具有更好的性能。基本的控制結構有監督控制、直接逆模控制、模型參考控制、內模控制、預測控制、最優決策控制等。
⑥ 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。
⑦ 人工神經網路可以解決哪些問題
信息領域中的應用：信息處理、模式識別、數據壓縮等。
自動化領域：系統辨識、神經控制器、智能檢測等。
工程領域：汽車工程、軍事工程、化學工程、水利工程等。
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。
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。
⑧ 如何避免選路演算法中的振盪問題
月經前7天和後八天會是安全期 可以避孕 這要問你的老婆了`````````
⑨ 神經網路是用來解決什麼問題的
分類預測問題，可以用它來解決。
⑩ 神經網路的學習曲線為什麼會出現振盪
過擬合現象一般都是因為學習的過於精確，就好比讓機器學習人臉，取了100個人的臉訓練，但是由於你學習的過精確，導致除了這個樣本100人外 其他的人臉神經網路都認為不是人臉，實際我們只需要學習人臉的基本特徵 而不是詳細到人的皮膚細膩 眼睛大。