神经网络权值矩阵如何得出

❶ 哪位大侠能帮下忙：BP神经网络训练完后 加权值的矩阵怎给出来

你训练就是为了得到权值啊！
i j k l
i
j
k
l
第i个神经元到第j个神经元的权值格式

❷ 谁知道BP神经网络训练完后，怎么求出权值

训练好后用“save 网络名”保存好网络，保存好的网络下次还可以用。
用net.iw{1,1} net.lw{2,1} net.b{1} net.b{2}分别来查看网络的权值和阈值。
希望对你有用~~

❸ matlab神经网络工具包中，使用3层BP神经网络，人工赋予初始权值，如何使权值矩阵中为0的元素不参与训练

这个包底下怎么做我不太确定，如果你是自己写训练的话，就每更新一步再乘以个矩阵让你想要保持为0的元素为0就行了

❹ matlab神经网络工具箱怎么输出得到函数代码段

神经网络训练出来的是权值矩阵，我想你是想在matlab外用训练好的神经网络。首先你要在外部实现神经网络算法，之后你把神经网络训练出来的权值矩阵读取到你在外部实现的神经网络算法中，然后你就可以使用这个神经网络了。

❺ BP神经网络连接权值如何确定

确认方法：
统计学认为，在统计中计算平均数等指标时，对各个变量值具有权衡轻重作用的数值就称为权数。
例子：求下列数串的平均数
3、4、3、3、3、2、4、4、3、3、
一般求法为（3＋4＋3＋3＋3＋2＋4＋4＋3＋3）／10＝3．2
加权求法为（6＊3＋3＊4＋2）／10＝3．2
其中3出现6次，4出现3次，2出现1次．6、3、1就叫权数。这种方法叫加权法。
一般说的平均数，就是把所有的数加起来，再除以这些数的总个数。表示为：
(p1+p2+p3+…..+pn)/n;
但有的数据记录中有一些相同的数据，在计算的时候，那一个数有几个相同数，就把这个数乘上几，这个几，就叫权，加权，就是乘上几后再加。平均数还是要除以总个数。
还是以上面的各个数为例：
它们每个数都有一些相同数，表示为：k1,k2,k3…….kn;
加权平均的公式是：（k1p1+k2p2+k3p3+……knpn）/(k1+k2+k3+…..kn)

❻ 请问matlab如何输出神经网络的权值

训练好的权值、阈值的输出方法是：
输入到隐层权值： w1=net.iw{1,1}
隐层阈值： theta1=net.b{1}
隐层到输出层权值： w2=net.lw{2,1};
输出层阈值： theta2=net.b{2}

这是我常逛的论坛，你有兴趣的可以看一下。

❼ 如何查看matlab神经网络权值矩阵

这个很简单啊，比如说是rbf网络，查看网络权值矩阵方法是：
应该是运行完后，在命令窗口输入
net.b{1}
net.iw{1,1}
net.b{2}
net.lw{2,1}
你可以在命令窗口输入type newrbe,查看该函数里面的一些参数，把你需要的输出即可

❽ matlab神经网络工具箱训练出来的函数，怎么输出得到函数代码段

神经网络训练出来的是权值矩阵
我想你是想在matlab外用训练好的神经网络
首先你要在外部实现神经网络算法
之后你把神经网络训练出来的权值矩阵读取到你在外部实现的神经网络算法中
然后你就可以使用这个神经网络了

❾ 神经网络权值怎么确定

神经网络的权值是通过对网络的训练得到的。如果使用MATLAB的话不要自己设定，newff之后会自动赋值。也可以手动：net.IW{}= ; net.bias{}=。一般来说输入归一化，那么w和b取0-1的随机数就行。神经网络的权值确定的目的是为了让神经网络在训练过程中学习到有用的信息，这意味着参数梯度不应该为0。

参数初始化要满足两个必要条件：

1、各个激活层不会出现饱和现象，比如对于sigmoid激活函数，初始化值不能太大或太小，导致陷入其饱和区。

2、各个激活值不为0，如果激活层输出为零，也就是下一层卷积层的输入为零，所以这个卷积层对权值求偏导为零，从而导致梯度为0。

(9)神经网络权值矩阵如何得出扩展阅读：

神经网络和权值的关系。

在训练智能体执行任务时，会选择一个典型的神经网络框架，并相信它有潜力为这个任务编码特定的策略。注意这里只是有潜力，还要学习权重参数，才能将这种潜力变化为能力。

受到自然界早成行为及先天能力的启发，在这项工作中，研究者构建了一个能自然执行给定任务的神经网络。也就是说，找到一个先天的神经网络架构，然后只需要随机初始化的权值就能执行任务。研究者表示，这种不用学习参数的神经网络架构在强化学习与监督学习都有很好的表现。

其实如果想象神经网络架构提供的就是一个圈，那么常规学习权值就是找到一个最优点（或最优参数解）。但是对于不用学习权重的神经网络，它就相当于引入了一个非常强的归纳偏置，以至于，整个架构偏置到能直接解决某个问题。

但是对于不用学习权重的神经网络，它相当于不停地特化架构，或者说降低模型方差。这样，当架构越来越小而只包含最优解时，随机化的权值也就能解决实际问题了。如研究者那样从小架构到大架构搜索也是可行的，只要架构能正好将最优解包围住就行了。