神经网络输出如何变成连续值

⑴ 如何用神经网络实现连续型变量的回归预测

神经网络最开始是机器学习的一种模型，但其训练的时间和其他几种模型相比不占优势，且结果也不尽人意，所以一直没有被广泛使用。但随着数学的深入研究以及计算机硬件质量的提高，尤其是GPU的出现，给深度学习的广泛应用提供了基础。GPU最初是为了给游戏玩家带来高质量的视觉体验，由于其处理矩阵运算的能力特别优秀，也被用于深度学习中模型的训练，以往数十天才能训练好的模型在GPU上训练几天就可以训练好，大大减少了深度学习的训练时间，因而深度学习的应用越来越多。

通常使用Python来搭建神经网络，Python自带深度学习的一些库，在进行回归预测时，我们只需用调用函数，设定几个参数，如隐藏层层数和神经元个数等，剩下的就是等模型自行训练，最终便能完成回归预测，非常的方便。

⑵ 神经网络预测模型输出预测结果为什么总在0-1之间

模型归一化，预测肯定也要反归一化。输出再反归一化就好了。比如，一组训练的数据，有最大值max，最小值min，假设区间长度cd=max-min。归一化就是（x-min）/cd，反归一化就是x*cd+min

⑶ 急急急！关于4*9*1的BP神经网络怎么得出输出结果

给你介绍一种方法吧：使用9个BP网络，每个BP网络对应一个分类器，用来判断一类问题。BP网络结构：每个BP网络输入层4个节点，隐含层n个（具体个数自己定），输出层1个节点。首先制作D类分类器——一个BP网络，当输入样本为D类样本时，BP网络的目标输出则为1，否则为0。使用者25组数据训练BP网络1之后，就可以作为D类样本分类器了。然后，依次类推分别制作EFGHIJKL分类器。使用时，一个新的输入到来时，依次输入给这几个分类器，假若结果是：0.1 ，0.12，0.85,0.08,0.2,0.4,0.5,0.21,0.06，显然，新的样本属于F类。每个神经网络的训练算法，低级的有梯度法，高级的有拟牛顿法、共轭梯度法，LM法

⑷ 神经网络的输入有连续值,也有离散值怎么办

每一个样本的特征都是离散值

⑸ BP神经网络多输出表达式如何确定

当然可以，神经网络具有极强的非线性映射能力，对非线性函数的拟合效果非常好，你可以试试BP神经网络，拟合能力已经很强。当对系统对于设计人员来说，很透彻或者很清楚时，则一般利用数值分析，偏微分方程等数学工具建立精确的数学模型，但当对系统很复杂，或者系统未知，系统信息量很少时，建立精确的数学模型很困难时，神经网络的非线性映射能力则表现出优势，因为它不需要对系统进行透彻的了解，但是同时能达到输入与输出的映射关系，这就大大简化设计的难度。

⑹ matlab--Bp神经网络有组数据中怎样去使输入和输出样本循环输入

bp不用你自己告诉它，直接p写成前12组，T写成第13组，网络自动输入

⑺ 神经网络的输出层的输出值如何处理，才能进行系统的编程，比如说：天气数据:最高温度、最低温度、湿度

如果你说的是期望输出的话，且目标是分类的话，我一般用二进制代表所属类，然后把相应的0换成0.1,1换成0.9，然后进行训练。

⑻ 神经网络得出的结果几乎是同一个值是什么意思

最大的可能性是没有归一化。具体原因见下： 下面这个是经典的Sigmoid函数的曲线图： 如果不进行归一化，则过大的输入x将会导致Sigmoid函数进入平坦区，全部趋近于1，即最后隐层的输出全部趋同。输出层是个purelin，线性组合后的输出层输出当然也

⑼ bp神经网络采用的激发函数为什么必须是连续可导的

BP的学习算法是反向传播算法。之所以反向就是从输出层到输入层求出导数。为什么要求导数，这是因为BP算法的本质就是要求得误差最小，误差最小就是导数为0，就是要沿着梯度的方向变化。如果激发函数不可导，那么怎么求梯度方向呢？如果具体的请看《神经网络原理》这本书。