神经网络拟合高频信号

A. 请问大神：函数拟合神经网络（fitnet）是BP神经网络吗在线等待中。

只能说BP神经网络具有拟合非线性函数的功能，属于一种函数拟合神经网络。

人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。

B. 两组数据，用神经网络拟合，训练后，怎么通过这些参数得到函数关系式呀谢谢

这个是做不到的。神经网络的非线性函数拟合是指非线性映射，并非对具体数学表达式进行求解。这也是神经网络的特点，即不需要精确的数学表达式，即可实现许多功能。非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。

C. 神经网络神经元过多，会出现过拟合嘛

无关。输入层神经元个数是因子个数，输入样本数是训练样本数量。理论上说，一个问题确定了，那么输入层神经元个数应该也就确定了（回归分析除外），但是输入样本数的多寡，会关系到泛化能力等诸多问题

D. 运行MATLAB BP神经网络后，得到了误差曲线(mse)，图例里有四个量，其中，Validation代表啥意思啊

代表检验这个网络的训练结果。

mse表示均方差，当然越小越好。但是这与你训练样本的多少，训练次数都有很大关系。

这个其实没有统一的标准，任何人都知道0偏差当然是最好。但是根绝神经网络本身致命的缺陷，由于它是迭代收敛逼近解析式，所以不可能达到0误差。

这只有根据使用者的工程技术要求来加以判断，这个误差指标肯定应该在小于工程误差范围内啊。但是对于科研研究，也只能具体情况具体分析。定量一说没有具体绝对一说的。

(4)神经网络拟合高频信号扩展阅读：

BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每～层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。

E. 神经网络过拟合的现象是什么 发生原因

过拟合现象一般都是因为学习的过于精确，就好比让机器学习人脸，取了100个人的脸训练，但是由于你学习的过精确，导致除了这个样本100人外 其他的人脸神经网络都认为不是人脸，实际我们只需要学习人脸的基本特征 而不是详细到人的皮肤细腻 眼睛大小等过于细致的特征，这样可以保证机器还是能识别别的图片中的人脸的

F. 求matlab的神经网络对实验数据进行拟合程序

%你没说神经网络类型，就使用最简单的前向反馈网络拟合。
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 ];%这里发现t有49个数据,而R就47个，因此将后两个删除
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);%隐层预设20个
net = train(net,t,R);
simplefitOutputs = sim(net,t);

G. 通过哪些参数看神经网络拟合出来的函数效果神经网络拟合时如何确定隐藏的节点数

主要看均方误差和其百分比（准确率）。假如你拟合出来是ui，计算（yi-ui）^2的平均值，然后计算这个平均值与yi平均值的比（也就是均方误差百分比），当然用1减去这个百分比就是准确率了。一般也会画一幅图，把yi和ui分别用不同的颜色或者符号表示出来，直观对比。
拟合时的隐含层节点数目前没有一个通行的公式进行确定，只能凭借经验和试凑。一般情况下，问题的复杂程度（非线性程度和维度）越高，隐含层节点数越多。这里介绍一个小经验：先用不太大的节点数进行预测，如果增加节点数测试集准确率和训练集准确率都有所提升，则应该继续增加。如果增加节点数测试集准确率增加很不明显，而训练集准确率还是有所提升，则不应该继续增加，当前的就是很理想的，继续增加节点数只会起到反效果。

H. 用BP神经网络做数据拟合回归,每次运行结果都不一致,望高人指点,谢了

大哥你这个目标要求的也太高了吧，要1e-12！1e-5，1e-6就行了。而且就训练100次由什么用，BP的话起码要3000到5000次训练，复杂问题要10000次左右，再说BP网络存在“殊途同归”的问题，所以每次不太一样也是正常的，只要测试误差满足要求就行了

I. 神经网络算法相对于普通的算法的优越性在哪啊！ 例如在曲线拟合方面与基本的命令有什么区别 信号处理不也

优点：
（1）对特征数据无要求，不需相互独立
（2）适用于非线性问题；
缺点：
（1）黑箱，即难以解释其运算结果；
（2）需要较多的训练数据；
（3）存在过拟合；

J. 一个三层的BP神经网络可以以任意精度逼近一个任意给定的连续函数。()

这是正确的。根据universal approximate theorem, 前馈神经网络，只需具备单层隐含层和有限个神经单元，就能以任意精度拟合任意复杂度的函数。单隐含层和输入输出层，一共也就是最典型的三层bp网络。
并且根据无穷级数，任意一个连续函数都可以用n个带权的多项式进行逼近，就像泰勒展开式一样。如果有一个3层dnn网络，那么根据权重的分配以及激活函数的选取，那输出一定可以逼近某一期望的连续函数。
当然这个只是理论上被证明可行，实际应用上，对于复杂问题，由于各种超参数的选取，很有可能陷入局部最优等等，不是很容易就能学习。