bp神经网络的传递函数

也是凭经验选出来的,一般隐含层用tansig函数,输出层用purelin函数,不过也有特殊情况,要是输出不能为负就用非负的tansig函数

有些资料上说,遗传算法优化BP神经网络权阈值的适应度评价函数是：单次输出T这里的实际输出指神经网络计算值,理论输出表示期望输出值.这个平方和值应该

你这相当于软测量建模,你说的Targe是matlab神经网络工具箱中的吧?我也做了一个神经网络仿真,没有用那个工具箱,直接编的程,我的是二个输入四个输出,其实很简单,一看就懂,想要把qq邮箱给我,我发

楼上的程序是对的,但是你只有输出数据,输入数据是什么呢?难道是时间,年限和输出数据之间没关系吧.所以你的原始数据条件不够net=newff(minmax(P）【7,1],{'tansig','logs

收敛和迭代算法有关.反向传播算法是定义一个误差er（往往是输出结果与预想结果之间的某个范数）,然后求出满足误差极小的权向量.如果把误差看成一个连续函数（泛函）的话,求对权向量各分量的偏导为0即可,但是

%由于数据比较大,我又懒得用归一化,所以直接把数据降了3个数量级,%不过我觉得应该没问题,但用归一化结果应该更准确些.%由于初始权值和阀值均是随机给的,所以每次仿真都有点点不同,这是正常的.p=[11

输入层,输出层,隐含层输入训练函数和测试函数,隐含层设置训练规则和权值还有阈值,输出训练结果和测试结果,找本书看看推荐matlab30个神经网络案例分析,上面讲解很好,还有例程

你的程序训练完毕后根本就没达到目标误差,就是说训练效果不好,不能进行预测,只有训练结果好了才能预测仿真,你再改一下隐含层神经元数或者训练和传递函数试试吧~另外输入层的值可以归一化也可以不归一化,归一化

从原理上来说,神经网络是可以预测未来的点的.实际上,经过训练之后,神经网络就拟合了输入和输出数据之间的函数关系.只要训练的足够好,那么这个拟合的关系就会足够准确,从而能够预测在其他的输入情况下,会有什

你的T 少了一个.

说实话,就这些数据实在太少,预测效果太差,除非你只是想要用一用神经网络,否则建议你换个灰色预测之类的方法再问：嗯，谢谢你的回答，我也想到数据太少所以效果会很差，但是这是一个测试实验，我要写毕业论文，然

假设输入的是5个参数,输出1个参数.神经网络的节点结构为5-N-1（N是中间层节点数,数目根据实验效果确定,可选5~10个）关于输入延迟,不清楚意思.是否可以做这样的数据处理：假设t时间的5个输入数据

P=[];‘输入,开盘价,最高价,最低价,收盘价成交量依次5天的数据’T=[];’输出,即第二日的收盘’net=newff(minmax(P),[7,1],{'tansig','logsig'},'t

友情提醒百度知道上面的专家是很少的,大部分都是想赚赚积分闲人.以后有比较专业或者难一点的问题最好上专业的论坛上去问,百度知道只能算一个值得一试的补充.－－－－－－－－－－－－－－－－－－－－－－－－－

如果是BP网络的话,有两个传递函数,表示是1、输入层到隐含层的传递函数2、隐含层到输出层的传递函数这样看：net.layers{1}.transferFcnnet.layers{2}.transfer

你这是不是用遗传算法优化权值和阀值啊?我不知道你x的哪里来的?所以也不知道你是如何确定初始权值和阀值.不过我们平常写程序时这些值都是随机赋予的.再问：就是看不明白，比如说B1中，怎么又有乘法又有加法，

tansig(n)=2/(1+exp(-2*n))-1是sigmoid函数.

最佳隐含层节点数为输入层节点数、输出层节点数之积开平方,若输入层为22,输出为1,那么隐含层个数大概为5

人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等.目前,已有近40种神经网络模型,其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等.ann:人工

p和t后面加个‘!你的p和t维数不对,这样输入不对了!