神經網路多個輸入設置

① R語言做神經網路，多個輸入多個輸出的命令怎麼寫

net=newff(minmax(p),[3,5,4],{'tansig','purelin','logsig'},'trainlm');
net.trainParam.goal= 0.00001;
net.trainParam.epochs= 10000;
net= train(net,p,t);
Y=sim(net,p);
隱含層數通常取輸入層數的1.2~1.5倍，但隱含層數增加相對訓練效果會好些。
輸出結果是根據你的T決定的，你這個如果訓練效果好的話輸出值的和就為1。

② rbf神經網路的輸入參數個數有上限么

沒有規定說只能有一個輸出，輸出向量維數也是根據你的輸出樣本確定的。在RBF網路之前訓練，需要給出輸入向量X和目標向量T，訓練的目的是要求得第一層和第二層之間的權值W1、閥值B1，和第二層與第三層之間的權值W2、閥值B2。整個網路的訓練分為兩步，第一部是無監督的學習，求W1、B1。第二步是有監督的學習求W2、B2。newrbe（）函數：和newrb（）功能差不多，用於創建一個精確地神經網路，能夠基於設計向量快速的無誤差的設計一個徑向基網路。該函數在創建RBF網路的時候，自動選擇隱含層數目，隱藏層的數目等於樣本輸入向量的數目，使得誤差為0。在樣本輸入向量非常多的情況下，用rbe就不大合適。

③ 如何用keras實現多變數輸入神經網路

要點如下：
1、神經網路基本結構，應該是輸入層-若干個隱含層-輸出層。
2、輸入層應該有7個輸入變數。
3、隱含層層數自定，但每層要超過7個神經元。
4、輸出層可以用softmax之類的函數，將隱含層的輸出歸並成一個。
代碼請自行編寫。

④ bp神經網路對輸入數據和輸出數據有什麼要求

p神經網路的輸入數據越多越好，輸出數據需乎衫要反映網路的聯想記憶和預測能力。

BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。

BP神經網路模型拓輪態撲結構包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。BP網路具有高度非線性和較強的泛化能力，但也存在收斂速度慢、迭代步數多、易於陷入局部極小和全局搜索能力差等缺點。

(4)神經網路多個輸入設置擴展閱讀：

BP演算法主要思想是：輸入學習樣本，使用反向傳播演算法對網路的權值和偏差進行反復的調整訓練，使輸出的向量與期望向量盡可能地接近，當網路歲桐腔輸出層的誤差平方和小於指定的誤差時訓練完成，保存網路的權值和偏差。

1、初始化，隨機給定各連接權及閥值。

2、由給定的輸入輸出模式對計算隱層、輸出層各單元輸出

3、計算新的連接權及閥值，計算公式如下：

4、選取下一個輸入模式對返回第2步反復訓練直到網路設輸出誤差達到要求結束訓練。