神经网络设计设计神经网络时为什么趋向于选择更深的网络结构

BP神经网络的经济预测程序设计

年 份 (年) 1(1988) 2(1989) 3(1990) 4(1991) 5(1992) 6(1993) 7(1994) 8(1995) 实际值 (ERI) 0.1093 0.1110 0.1127 0.1141 0.1154 0.1164 0.1171 0.1175 年 份 (年) 9(1996) 10(1997) 11(1998) 12(1999) 13(2000) 14(2001) 15(2002) 16(2003) 实际值 (ERI) 0.1178 0.1179 0.1179 0.1179 0.1179 0.1180 0.1182 0.1185 BP 神经网络的训练过程为: 先用1988 年到2002 年的指标历史数据作为网络的输入,用1989 年到2003 年的指标历史数据作为网络的输出,组成训练集对网络进行训练,使之误差达到满意的程度,用这样训练好的网络进行预测. 采用滚动预测方法进行预测:滚动预测方法是通过一组历史数据预测未来某一时刻的值,然后把这一预测数据再视为历史数据继续预测下去,依次循环进行,逐步预测未来一段时期的值. 用1989 年到2003 年数据作为网络的输入,2004 年的预测值作为网络的输出. 接着用1990 年到2004 年的数据作为网络的输入,2005 年的预测值作为网络的输出.依次类推,这样就得到2010 年的预测值。

目前在BP 网络的应用中,多采用三层结构. 根据人工神经网络定理可知,只要用三层的BP 网络就可实现任意函数的逼近. 所以训练结果采用三层BP模型进行模拟预测. 模型训练误差为0.00001,隐层单元数选取8个,学习速率为0.05,动态参数0.6,Sigmoid参数0.9,最大迭代次数3000.运行3000次后,样本拟合误差等于0.00021。

求一用matlab编的程序 不知道 有没有过时

我现在上高中，准备将来考上大学后，学习人工智能，所以买了一本叫《神经网络设计》的书，但我发现，书上

人工智能范畴很广，神经网络是里面比较难的，而且其现在的发展遇到了瓶颈，你可以先学习其相关的东西，比如系统论，信息论，然后买一本国外的人工智能导论看看，最后建议你学习算法和编程，亲自实践一下人工智能的相关思想就会有较深刻的认识

本人的毕业设计时给予BP神经网络的水质评价，我对神经网络一无所知，还请各位大侠帮忙

我研究生阶段也学习了神经网络，当然主要也是学习了基于误差反向传播算法(BP)的多层感知器（BP神经网络这个称呼是不对的）。

我学习的心得是： 先看丛爽主编的《面向MATLAB的工具箱的神经网络理论与应用》，感觉比较好。

看了差不多之后，强烈建议看外国人写的《Neural Network Design》，作者是Martin Hagan，为什么这本书是非常好的入门、进阶教材呢？因为这本书里把神经网络的学习和MATLAB联系起来了。

利用MATLAB来辅助进行实验，领悟神经网络的知识，这是一个非常好的学习模式。

之后，进阶了，自己再看看怎么规划。

希望你能认真学习。

我加了一个神经网络讨论群，气氛还挺好的 38264063

神经网络，人工智能这块怎么入门

一、学高数(微积分与变换、数列、矩阵、模式识别、自然语言处理、图形图像识别与处理； 二、学神经网络原理与应用； 三、学智能家居原理与控制； 四、学电子设计(数字电路、模拟电路、嵌入式编程、PCB印刷电路板设计、计算机接口应用)； 五、学电气设计(PLC编程、电机拖动、步进电机、伺服电机、低压电器控制)； 六、学机械设计(力学、机械原理、机械制图、制造工艺、CAD应用、SOLIDWORKS应用)； 七、学软件编程(C/C++语言、数据库、网络编程、ANDROID环境APP开发、摄像头编程)； 八、学心理学(心理学基础、性格、习惯、表情与心理、肢体语言与心理、声音语言与心理)； 学完这些之后，买计算机&C/C++编程环境、买数据库软件、买CAD/SW开发软件、买工业探头摄像头、买局域网组网器件:网线.路由器.水晶头.网线测试仪.网线压线钳、设计上位机软件、买嵌入式开发板&设计下位机嵌入式程序、设计控制电路SCH与PCB&按元器件清单采购电子元件、买卡尺.卷尺.真尺.角尺.各种标准紧固件&设计机械图纸、加工机械零部件、采购各种信号线缆及动力线缆、采购常用钳工工具&电动工具&氩弧电焊机、采购电子开发用仪器仪表:数字万用表、数字示波器、任意波形信号发生器、电烙铁等电子常用工具。

前提是：学好上述1-8条、精通上述各种软硬件工具、动手能力要超强！

设计神经网络时为什么趋向于选择更深的网络结构

一 隐层数 一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。

一般来讲应设计神经网络应优先考虑3层网络（即有1个隐层）。

一般地，靠增加隐层节点数来获得较低的误差，其训练效果要比增加隐层数更容易实现。

对于没有隐层的神经网络模型，实际上就是一个线性或非线性（取决于输出层采用线性或非线性转换函数型式）回归模型。

因此，一般认为，应将不含隐层的网络模型归入回归分析中，技术已很成熟，没有必要在神经网络理论中再讨论之。

二 隐层节点数 在BP 网络中，隐层节点数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，但是目前理论上还没有一种科学的和普遍的确定方法。

目前多数文献中提出的确定隐层节点数的计算公式都是针对训练样本任意多的情况，而且多数是针对最不利的情况，一般工程实践中很难满足，不宜采用。

事实上，各种计算公式得到的隐层节点数有时相差几倍甚至上百倍。

为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。

研究表明，隐层节点数不仅与输入/输出层的节点数有关，更与需解决的问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。

在确定隐层节点数时必须满足下列条件： （1）隐层节点数必须小于N-1（其中N为训练样本数），否则，网络模型的系统误差与训练样本的特性无关而趋于零，即建立的网络模型没有泛化能力，也没有任何实用价值。

同理可推得：输入层的节点数（变量数）必须小于N-1。

（2）训练样本数必须多于网络模型的连接权数，一般为2~10倍，否则，样本必须分成几部分并采用“轮流训练”的方法才可能得到可靠的神经网络模型。

总之，若隐层节点数太少，网络可能根本不能训练或网络性能很差；若隐层节点数太多，虽然可使网络的系统误差减小，但一方面使网络训练时间延长，另一方面，训练容易陷入局部极小点而得不到最优点，也是训练时出现“过拟合”的内在原因。

因此，合理隐层节点数应在综合考虑网络结构复杂程度和误差大小的情况下用节点删除法和扩张法确定。