神经网络有哪些问题

㈠ 多层神经网络解决哪些问题

多层神经网络解决提着非线性的问题，包括分类和回归问题

㈡ BP神经网络的核心问题是什么其优缺点有哪些

人工神经网络,是一种旨在模仿人脑结构及其功能的信息处理系统,就是使用人工神经网络方法实现模式识别.可处理一些环境信息十分复杂,背景知识不清楚,推理规则不明确的问题,神经网络方法允许样品有较大的缺损和畸变.神经网络的类型很多,建立神经网络模型时,根据研究对象的特点,可以考虑不同的神经网络模型. 前馈型BP网络,即误差逆传播神经网络是最常用,最流行的神经网络.BP网络的输入和输出关系可以看成是一种映射关系,即每一组输入对应一组输出.BP算法是最着名的多层前向网络训练算法,尽管存在收敛速度慢,局部极值等缺点,但可通过各种改进措施来提高它的收敛速度,克服局部极值现象,而且具有简单,易行,计算量小,并行性强等特点,目前仍是多层前向网络的首选算法.

• 多层前向BP网络的优点：

• 网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题；

• 网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力；

• 网络具有一定的推广、概括能力。

• 多层前向BP网络的问题：

• 从数学角度看，BP算法为一种局部搜索的优化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败；

• 网络的逼近、推广能力同学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。

• 难以解决应用问题的实例规模和网络规模间的矛盾。这涉及到网络容量的可能性与可行性的关系问题，即学习复杂性问题；

• 网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验选定。为此，有人称神经网络的结构选择为一种艺术。而网络的结构直接影响网络的逼近能力及推广性质。因此，应用中如何选择合适的网络结构是一个重要的问题；

• 新加入的样本要影响已学习成功的网络，而且刻画每个输入样本的特征的数目也必须相同；

• 网络的预测能力（也称泛化能力、推广能力）与训练能力（也称逼近能力、学习能力）的矛盾。一般情况下，训练能力差时，预测能力也差，并且一定程度上，随训练能力地提高，预测能力也提高。但这种趋势有一个极限，当达到此极限时，随训练能力的提高，预测能力反而下降，即出现所谓“过拟合”现象。此时，网络学习了过多的样本细节，而不能反映样本内含的规律

• 由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象”，这使得BP算法低效；

• 存在麻痹现象，由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿；

• 为了使网络执行BP算法，不能用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这种方法将引起算法低效。

㈢ 神经网络主要用于什么问题的求解

神经网络的研究可以分为理论研究和应用研究两大方面。
理论研究可分为以下两类：
1、利用神经生理与认知科学研究人类思维以及智能机理。
2、利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线性神经场等。
应用研究可分为以下两类：
1、神经网络的软件模拟和硬件实现的研究。
2、神经网络在各个领域中应用的研究。这些领域主要包括：
模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用定将更加深入。
http://ke..com/view/5348.htm?fr=ala0_1

㈣ 还想问你个问题，有关神经网络的

在高等数学中，学过极小值和最小值的概念。极小值是在某个极小的区间领域内，取得最小的那个点；而最小值是在所有极小值中再取最小得到的。
在神经网络训练过程中，如果将权值与误差做成一个多维的坐标，就可以形成一张误差曲面。这个曲面不是平坦的，它是坑坑洼洼的，有的地方凸起、有的地方凹下去，凹下去的那块地方就是极小值所在。
假设神经网络搜索过程中，每次训练得到的网络的权值——对应处于曲面上的一个小球；神经网络的向误差最小方向靠近的训练方式——对应小球受重力影响向下滑落。当这个小球陷入到局部极小的凹坑中时，由于重力作用（负梯度），它就永远保持在凹坑的底部，即陷入局部极小点。
训练时，当小球稳定在某个凹坑底部时，它不知道它是不是到达了全局最优点，它只知道，它现在所在的位置，无论向哪个方向滚动，永远都是上坡，而重力是向下的，所以它最终稳定在碗底。

跳出局部极小，就是让小球从碗底升起来，方式多种多样：人为给小球一个动量，让他冲一冲坡，如果坑比较浅，小球说不定就冲出来了，就能继续受重力作用，继续向更低位置靠近。这就是跳出局部极小点的方法。

㈤ 关于神经网络的问题。

楼主说的是matlab的BP神经网络工具箱么?
这得看楼主想改动什么.

你若果是想改动一下训练中的学习率的调整方法的话,是可以的,例如你要改动traingd里面的内容,只需要打开traingd.m,在里面找到相应的部分作修改.

但是,若果楼主是想改动误差函数的话,就很困难了.,因为训练整个算法都是基于均方差误差函数来编写的,若果改动的话几乎大部分文件都要改动了,

若果楼主想改动传递函数的话, 也是很麻烦的, 因为网络有很多处要填写网络的信息,并且里面有部分是硬编码,若果漏掉这些细节没修改的话也会通不过,

我以前也想过改动一下下,后来看了里面的代码后直接放弃了,因为对大多数情况来说,直接改动工具箱还不如自己好好理解算法后,自己写一个神经网络来得划算.

不过具体还是得看楼主要改动什么,有些东西的确是可以改的.
同时建议找旧些的版本改,越新的版本结构越复杂,不信你把tansig函数打开看一下,2012B明显比2010A要复杂了.

楼主在做这方面的研究么,可以上 <神经网络之家> <matlab中文论坛>搜搜资料,和借鉴matlab工具箱的代码来学习. <神经网络之家>和<中文论坛>里都有讲解的视频,
祝楼主学习愉快.

纯手打的,各位看官觉得精彩顺手点个!赞!thx

㈥ 向你询问关于神经网络的问题。拜托了。

人工神经网络是对神经网络功能的模拟实现，用到的原理有的是神经网络的原理，有的是人为开发的功能。

㈦ 神经网络优缺点，

优点：

（1）具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。

自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。

（2）具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。

（3）具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。

缺点：

（1）最严重的问题是没能力来解释自己的推理过程和推理依据。

（2）不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。

（3）把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。

（4）理论和学习算法还有待于进一步完善和提高。

(7)神经网络有哪些问题扩展阅读：

神经网络发展趋势

人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。

人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。

将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。

神经网络在很多领域已得到了很好的应用，但其需要研究的方面还很多。其中，具有分布存储、并行处理、自学习、自组织以及非线性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统，已经成为一大研究热点。

由于其他方法也有它们各自的优点，所以将神经网络与其他方法相结合，取长补短，继而可以获得更好的应用效果。目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。

参考资料：网络-人工神经网络

㈧ 神经网络算法可以解决的问题有哪些

人工神经网络（Artificial Neural Networks，ANN）系统是 20 世纪 40 年代后出现的。它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信 息存储、良好的自组织自学习能力等特点。BP（Back Propagation）算法又称为误差 反向传播算法，是人工神经网络中的一种监督式的学习算法。BP 神经网络算法在理 论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许 多领域都有着广泛的应用前景。

工作原理
人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。
神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。
树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。每个神经元的突触数目正常，最高可达10个。各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。
人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。
人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。
与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对于写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。

㈨ 新手，神经网络的问题，求大神们解答啊

我觉得 就 BP 神经网络就很好好 ，你 分为31 类， 输出层31， 一般隐层 2-4 层就可以了，你的第一层 没必要弄那么多神经元吧，第二层也是，没必要那么多，你开始可以【5,5,31】，在设置 一定的迭代次数，和误差，看看训练结果 好不 ，不好的话在适当增加第1 .2 层的 神经元个数 比如改为【10,5 ，31】。。BP神经网络传递函数 一般包括：logsig(n) tansig(n) purelin(n)
这3 种 ，他们的取值范围 分别为【0,1】 【-1,1】 【整个平面都可以取】 所以输出层的传递函数 要依据你的输出选函数，BP 的 训练函数就比较多了，这个网络里面都有 ；隐层常采用tansig
函数进行中间结果传递，

㈩ 人工神经网络可以解决哪些问题

1. 信息领域中的应用：信息处理、模式识别、数据压缩等。

2. 自动化领域：系统辨识、神经控制器、智能检测等。

3. 工程领域：汽车工程、军事工程、化学工程、水利工程等。
   

4. 在医学中的应用：生物信号的检测与分析、生物活性研究、医学专家系统等。

5. 经济领域的应用：市场价格预测、风险评估等。

此外还有很多应用，比如交通领域的应用，心理学领域的应用等等。神经网络的应用领域是非常广的。