神經網絡模型結果怎麼看,神經網絡模型參數辨識

人工神經網絡評價法

人工神經元是人工神經網絡的基本處理單元，而人工智能的一個重要組成部分又是人工神經網絡。人工神經網絡是模拟生物神經元系統的數學模型，接受資訊主要是通過神經元來進行的。

首先，人工神經元利用連接配接強度将産生的信号擴大；然後，接收到所有與之相連的神經元輸出的權重累積；最後，将神經元與權重總和一一比較，當比門檻值大時，則激活人工神經元，信号被輸送至與它連接配接的上一層的神經元，反之則不行。

人工神經網絡的一個重要模型就是反向傳播模型(Back-Propagation Model)(簡稱BP模型)。

對于一個擁有n個輸入節點、m個輸出節點的反向傳播網絡，可将輸入到輸出的關系看作n維空間到m維空間的映射。由于網絡中含有大量非線性節點，是以可具有高度非線性。

(一)神經網絡評價法的步驟利用神經網絡對複墾潛力進行評價的目的就是對某個名額的輸入産生一個預期的評價結果，在此過程中需要對網絡的連接配接弧權值進行不斷的調整。(1)初始化所有連接配接弧的權值。

為了保證網絡不會出現飽和及反常的情況，一般将其設定為較小的随機數。(2)在網絡中輸入一組訓練資料，并對網絡的輸出值進行計算。

(3)對期望值與輸出值之間的偏差進行計算，再從輸出層逆向計算到第一隐含層，調整各條弧的權值，使其往減少該偏差的方向發展。

(4)重複以上幾個步驟，對訓練集中的各組訓練資料反複計算，直至二者的偏差達到能夠被認可的程度為止。(二)人工神經網絡模型的建立(1)确定輸入層個數。

根據評價對象的實際情況，輸入層的個數就是所選擇的評價名額數。(2)确定隐含層數。

通常最為理想的神經網絡隻具有一個隐含層，輸入的信号能夠被隐含節點分離，然後組合成新的向量，其運算快速，可讓複雜的事物簡單化，減少不必要的麻煩。(3)确定隐含層節點數。

按照經驗公式：災害損毀土地複墾式中：j——隐含層的個數；n——輸入層的個數；m——輸出層的個數。人工神經網絡模型結構如圖5-2。

圖5-2人工神經網絡結構圖(據周麗晖，2004)(三)人工神經網絡的計算輸入被評價對象的名額資訊(X1，X2，X3，…，Xn)，計算實際輸出值Yj。

災害損毀土地複墾比較已知輸出與計算輸出，修改K層節點的權值和門檻值。災害損毀土地複墾式中：wij——K-1層結點j的連接配接權值和門檻值；η——系數(0＜η＜1)；Xi——結點i的輸出。

輸出結果：Cj＝yj(1-yj)(dj-yj) (5-21)式中：yj——結點j的實際輸出值；dj——結點j的期望輸出值。

因為無法對隐含結點的輸出進行比較，可推算出：災害損毀土地複墾式中：Xj——結點j的實際輸出值。

它是一個輪番代替的過程，每次的疊代都将W值調整，這樣經過反複更替，直到計算輸出值與期望輸出值的偏差在允許值範圍内才能停止。

利用人工神經網絡法對複墾潛力進行評價，實際上就是将土地複墾影響評價因子與複墾潛力之間的映射關系建立起來。

隻要選擇的網絡結構合适，利用人工神經網絡函數的逼近性，就能無限接近上述映射關系，是以采用人工神經網絡法進行災毀土地複墾潛力評價是适宜的。

(四)人工神經網絡方法的優缺點人工神經網絡方法與其他方法相比具有如下優點：(1)它是利用最優訓練原則進行重複計算，不停地調試神經網絡結構，直至得到一個相對穩定的結果。

是以，采取此方法進行複墾潛力評價可以消除很多人為主觀因素，保證了複墾潛力評價結果的真實性和客觀性。(2)得到的評價結果誤差相對較小，通過反複疊代減少系統誤差，可滿足任何精度要求。

(3)動态性好，通過增加參比樣本的數量和随着時間不斷推移，能夠實作動态追蹤比較和更深層次的學習。

(4)它以非線性函數為基礎，與複雜的非線性動态經濟系統更貼近，能夠更加真實、更為準确地反映出災毀土地複墾潛力，比傳統評價方法更适用。

但是人工神經網絡也存在一定的不足：(1)人工神經網絡算法是采取最優化算法，通過疊代計算對連接配接各神經元之間的權值不斷地調整，直到達到全局最優化。

但誤差曲面相當複雜，在計算過程中一不小心就會使神經網絡陷入局部最小點。

(2)誤差通過輸出層逆向傳播，隐含層越多，逆向傳播偏差在接近輸入層時就越不準确，評價效率在一定程度上也受到影響，收斂速度不及時的情況就容易出現，進而造成個别區域的複墾潛力評價結果出現偏離。

谷歌人工智能寫作項目：神經網絡僞原創

想用神經網絡做評價模型，請問在matlab中輸入資料是什麼？Target資料是什麼？

輸入資料是因子，是變量，是x，target是結果，是對應x下的y值好文案。評價模型首先你肯定有評價的名額，這個就是y。其餘對這個名額有影響的因素就是x。

你的例子裡輸入就是90*20的矩陣，target就是90*1的矩陣。模型訓練好以後，用剩下的10家去檢驗模型。

神經網絡基本原理就是得到一個自變量x的方程，使得通過方程計算的結果與實際的y之間的內插補點最小，進而說明模型的正确性，用于後續的評價和預測等。

神經網絡參數如何确定

神經網絡各個網絡參數設定原則：①、網絡節點  網絡輸入層神經元節點數就是系統的特征因子(自變量)個數，輸出層神經元節點數就是系統目标個數。隐層節點選按經驗選取，一般設為輸入層節點數的75%。

如果輸入層有7個節點，輸出層1個節點，那麼隐含層可暫設為5個節點，即構成一個7-5-1 BP神經網絡模型。在系統訓練時，實際還要對不同的隐層節點數4、5、6個分别進行比較，最後确定出最合理的網絡結構。

②、初始權值的确定  初始權值是不應完全相等的一組值。已經證明，即便确定  存在一組互不相等的使系統誤差更小的權值，如果所設Wji的的初始值彼此相等，它們将在學習過程中始終保持相等。

故而，在程式中，我們設計了一個随機發生器程式，産生一組一0.5~+0.5的随機數，作為網絡的初始權值。

③、最小訓練速率  在經典的BP算法中，訓練速率是由經驗确定，訓練速率越大，權重變化越大，收斂越快；但訓練速率過大，會引起系統的振蕩，是以，訓練速率在不導緻振蕩前提下，越大越好。

是以，在DPS中，訓練速率會自動調整，并盡可能取大一些的值，但使用者可規定一個最小訓練速率。該值一般取0.9。④、動态參數  動态系數的選擇也是經驗性的，一般取0.6 ~0.8。

⑤、允許誤差  一般取0.001~0.00001，當2次疊代結果的誤差小于該值時，系統結束疊代計算，給出結果。⑥、疊代次數  一般取1000次。

由于神經網絡計算并不能保證在各種參數配置下疊代結果收斂，當疊代結果不收斂時，允許最大的疊代次數。⑦、Sigmoid參數 該參數調整神經元激勵函數形式，一般取0.9~1.0之間。⑧、資料轉換。

在DPS系統中，允許對輸入層各個節點的資料進行轉換，提供轉換的方法有取對數、平方根轉換和資料标準化轉換。擴充資料：神經網絡的研究内容相當廣泛，反映了多學科交叉技術領域的特點。

主要的研究工作集中在以下幾個方面：1.生物原型從生理學、心理學、解剖學、腦科學、病理學等方面研究神經細胞、神經網絡、神經系統的生物原型結構及其功能機理。

2.建立模型根據生物原型的研究，建立神經元、神經網絡的理論模型。其中包括概念模型、知識模型、實體化學模型、數學模型等。

3.算法在理論模型研究的基礎上構作具體的神經網絡模型，以實作計算機模拟或準備制作硬體，包括網絡學習算法的研究。這方面的工作也稱為技術模型研究。

神經網絡用到的算法就是向量乘法，并且廣泛采用符号函數及其各種逼近。并行、容錯、可以硬體實作以及自我學習特性，是神經網絡的幾個基本優點，也是神經網絡計算方法與傳統方法的差別所在。

參考資料：百度百科-神經網絡（通信定義）

BP人工神經網絡

人工神經網絡（artificialneuralnetwork，ANN）指由大量與自然神經系統相類似的神經元聯結而成的網絡，是用工程技術手段模拟生物網絡結構特征和功能特征的一類人工系統。

神經網絡不但具有處理數值資料的一般計算能力，而且還具有處理知識的思維、學習、記憶能力，它采用類似于“黑箱”的方法，通過學習和記憶，找出輸入、輸出變量之間的非線性關系（映射），在執行問題和求解時，将所擷取的資料輸入到已經訓練好的網絡，依據網絡學到的知識進行網絡推理，得出合理的答案與結果。

岩土工程中的許多問題是非線性問題，變量之間的關系十分複雜，很難用确切的數學、力學模型來描述。

工程現場實測資料的代表性與測點的位置、範圍和手段有關，有時很難滿足傳統統計方法所要求的統計條件和規律，加之岩土工程資訊的複雜性和不确定性，因而運用神經網絡方法實作岩土工程問題的求解是合适的。

BP神經網絡模型是誤差反向傳播（BackPagation）網絡模型的簡稱。它由輸入層、隐含層和輸出層組成。

網絡的學習過程就是對網絡各層節點間連接配接權逐漸修改的過程，這一過程由兩部分組成：正向傳播和反向傳播。

正向傳播是輸入模式從輸入層經隐含層處理傳向輸出層；反向傳播是均方誤差資訊從輸出層向輸入層傳播，将誤差信号沿原來的連接配接通路傳回，通過修改各層神經元的權值，使得誤差信号最小。

BP神經網絡模型在建立及應用過程中，主要存在的不足和建議有以下四個方面：（1）對于神經網絡，資料愈多，網絡的訓練效果愈佳，也更能反映實際。

但在實際操作中，由于條件的限制很難選取大量的樣本值進行訓練，樣本數量偏少。（2）BP網絡模型其計算速度較慢、無法表達預測量與其相關參數之間親疏關系。

（3）以定量資料為基礎建立模型，若能收集到充分資料，以定性名額（如基坑降水方式、基坑支護模式、施工工況等）和一些易擷取的定量名額作為輸入層，以評價等級作為輸出層，這樣建立的BP網絡模型将更準确全面。

（4）BP人工神經網絡系統具有非線性、智能的特點。

較好地考慮了定性描述和定量計算、精确邏輯分析和非确定性推理等方面，但由于樣本不同，影響要素的權重不同，以及在根據先驗知識和前人的經驗總結對定性參數進行量化處理，必然會影響評價的客觀性和準确性。

是以，在實際評價中隻有根據不同的基坑施工工況、不同的周邊環境條件，應不同使用者的需求，選擇不同的分析名額，才能滿足複雜工況條件下地質環境評價的要求，取得較好的應用效果。

神經網絡 nntool input和target是什麼樣的資料

輸入資料是因子，是變量，是x，target是結果，是對應x下的y值。評價模型首先你肯定有評價的名額，這個就是y。其餘對這個名額有影響的因素就是x。

你的例子裡輸入就是90*20的矩陣，target就是90*1的矩陣。模型訓練好以後，用剩下的10家去檢驗模型。

神經網絡基本原理就是得到一個自變量x的方程，使得通過方程計算的結果與實際的y之間的內插補點最小，進而說明模型的正确性，用于後續的評價和預測等。