神經網路擬合高頻信號

A. 請問大神：函數擬合神經網路（fitnet）是BP神經網路嗎在線等待中。

只能說BP神經網路具有擬合非線性函數的功能，屬於一種函數擬合神經網路。

人工神經網路就是模擬人思維的第二種方式。這是一個非線性動力學系統，其特色在於信息的分布式存儲和並行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網路系統所能實現的行為卻是極其豐富多彩的。
非線性關系是自然界的普遍特性。大腦的智慧就是一種非線性現象。人工神經元處於激活或抑制二種不同的狀態，這種行為在數學上表現為一種非線性關系。具有閾值的神經元構成的網路具有更好的性能，可以提高容錯性和存儲容量。

B. 兩組數據，用神經網路擬合，訓練後，怎麼通過這些參數得到函數關系式呀謝謝

這個是做不到的。神經網路的非線性函數擬合是指非線性映射，並非對具體數學表達式進行求解。這也是神經網路的特點，即不需要精確的數學表達式，即可實現許多功能。非線性關系是自然界的普遍特性。大腦的智慧就是一種非線性現象。人工神經元處於激活或抑制二種不同的狀態，這種行為在數學上表現為一種非線性關系。具有閾值的神經元構成的網路具有更好的性能，可以提高容錯性和存儲容量。

C. 神經網路神經元過多，會出現過擬合嘛

無關。輸入層神經元個數是因子個數，輸入樣本數是訓練樣本數量。理論上說，一個問題確定了，那麼輸入層神經元個數應該也就確定了（回歸分析除外），但是輸入樣本數的多寡，會關繫到泛化能力等諸多問題

D. 運行MATLAB BP神經網路後，得到了誤差曲線(mse)，圖例里有四個量，其中，Validation代表啥意思啊

代表檢驗這個網路的訓練結果。

mse表示均方差，當然越小越好。但是這與你訓練樣本的多少，訓練次數都有很大關系。

這個其實沒有統一的標准，任何人都知道0偏差當然是最好。但是根絕神經網路本身致命的缺陷，由於它是迭代收斂逼近解析式，所以不可能達到0誤差。

這只有根據使用者的工程技術要求來加以判斷，這個誤差指標肯定應該在小於工程誤差范圍內啊。但是對於科研研究，也只能具體情況具體分析。定量一說沒有具體絕對一說的。

(4)神經網路擬合高頻信號擴展閱讀：

BP神經網路的計算過程由正向計算過程和反向計算過程組成。正向傳播過程，輸入模式從輸入層經隱單元層逐層處理，並轉向輸出層，每～層神經元的狀態隻影響下一層神經元的狀態。如果在輸出層不能得到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通路返回，通過修改各神經元的權值，使得誤差信號最小。

E. 神經網路過擬合的現象是什麼 發生原因

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 眼睛大小等過於細致的特徵，這樣可以保證機器還是能識別別的圖片中的人臉的

F. 求matlab的神經網路對實驗數據進行擬合程序

%你沒說神經網路類型，就使用最簡單的前向反饋網路擬合。
t=[0 3.9 4.1 7.3 8.4 13.1 14.8 16.4 17.7 19 19.7 20.3 21.2 24.5 26.3 27.8 28.9 29 29.8 31.1 32.8 33.5 34.5 35.6 36.2 37.6 37.8 38.7 39.4 40.3 41 41.4 42.5 43.9 45 45.7 46.9 47.8 49 49.4 51.4 53 54 55.6 56.9 57.5 58.9 ];%這里發現t有49個數據,而R就47個，因此將後兩個刪除
R=[100.16 101.87 101.97 102.99 103.43 105.23 105.89 106.54 107.01 107.52 107.77 108.01 108.39 109.64 110.33 110.90 111.32 111.41 111.86 112.53 112.63 113.10 113.52 113.94 114.39 114.52 114.92 115.26 115.87 115.90 116.27 116.96 117.32 117.71 118.13 118.34 118.62 118.96 119.59 120.20 120.68 121.33 121.90 122.17 122.94 123.27 123.85];
net = newff(t,R,20);%隱層預設20個
net = train(net,t,R);
simplefitOutputs = sim(net,t);

G. 通過哪些參數看神經網路擬合出來的函數效果神經網路擬合時如何確定隱藏的節點數

主要看均方誤差和其百分比（准確率）。假如你擬合出來是ui，計算（yi-ui）^2的平均值，然後計算這個平均值與yi平均值的比（也就是均方誤差百分比），當然用1減去這個百分比就是准確率了。一般也會畫一幅圖，把yi和ui分別用不同的顏色或者符號表示出來，直觀對比。
擬合時的隱含層節點數目前沒有一個通行的公式進行確定，只能憑借經驗和試湊。一般情況下，問題的復雜程度（非線性程度和維度）越高，隱含層節點數越多。這里介紹一個小經驗：先用不太大的節點數進行預測，如果增加節點數測試集准確率和訓練集准確率都有所提升，則應該繼續增加。如果增加節點數測試集准確率增加很不明顯，而訓練集准確率還是有所提升，則不應該繼續增加，當前的就是很理想的，繼續增加節點數只會起到反效果。

H. 用BP神經網路做數據擬合回歸,每次運行結果都不一致,望高人指點,謝了

大哥你這個目標要求的也太高了吧，要1e-12！1e-5，1e-6就行了。而且就訓練100次由什麼用，BP的話起碼要3000到5000次訓練，復雜問題要10000次左右，再說BP網路存在「殊途同歸」的問題，所以每次不太一樣也是正常的，只要測試誤差滿足要求就行了

I. 神經網路演算法相對於普通的演算法的優越性在哪啊！ 例如在曲線擬合方面與基本的命令有什麼區別 信號處理不也

優點：
（1）對特徵數據無要求，不需相互獨立
（2）適用於非線性問題；
缺點：
（1）黑箱，即難以解釋其運算結果；
（2）需要較多的訓練數據；
（3）存在過擬合；

J. 一個三層的BP神經網路可以以任意精度逼近一個任意給定的連續函數。()

這是正確的。根據universal approximate theorem, 前饋神經網路，只需具備單層隱含層和有限個神經單元，就能以任意精度擬合任意復雜度的函數。單隱含層和輸入輸出層，一共也就是最典型的三層bp網路。
並且根據無窮級數，任意一個連續函數都可以用n個帶權的多項式進行逼近，就像泰勒展開式一樣。如果有一個3層dnn網路，那麼根據權重的分配以及激活函數的選取，那輸出一定可以逼近某一期望的連續函數。
當然這個只是理論上被證明可行，實際應用上，對於復雜問題，由於各種超參數的選取，很有可能陷入局部最優等等，不是很容易就能學習。