Ⅰ 神經網路的隱含層節點數是不是通過公式設置的！比如隱含層節點數18，就用隱含層節點數18的公式！工作
現在還沒有什麼成熟的定理能確定各層神經元的神經元個數和含有幾層網路，大多數還是靠經驗，不過3層網路可以逼近任意一個非線性網路，神經元個數越多逼近的效果越好。
Ⅱ 神經網路的隱層數，節點數設置。
我自己總結的：
1、神經網路演算法隱含層的選取
1.1 構造法
首先運用三種確定隱含層層數的方法得到三個隱含層層數，找到最小值和最大值，然後從最小值開始逐個驗證模型預測誤差，直到達到最大值。最後選取模型誤差最小的那個隱含層層數。該方法適用於雙隱含層網路。
1.2 刪除法
單隱含層網路非線性映射能力較弱，相同問題，為達到預定映射關系，隱層節點要多一些，以增加網路的可調參數，故適合運用刪除法。
1.3黃金分割法
演算法的主要思想：首先在[a,b]內尋找理想的隱含層節點數，這樣就充分保證了網路的逼近能力和泛化能力。為滿足高精度逼近的要求，再按照黃金分割原理拓展搜索區間，即得到區間[b,c]（其中b=0.619*（c-a）+a），在區間[b,c]中搜索最優，則得到逼近能力更強的隱含層節點數，在實際應用根據要求，從中選取其一即可。
Ⅲ 神經網路一個隱含層通常有幾個節點數阿
一個最簡單的分類，是在平面上畫一條直線，左邊為類0，右邊為類1，直線表示為
這是一個分類器，輸入(x,y)，那麼，要求的參數有三個:a,b,c。另外注意c的作用，如果沒有c，這條直線一定會過原點。
因此，我們可以設計一個簡單的神經網路，包含兩層，輸入層有三個節點，代表x,y,1，三條線分別代表a,b,cg(z)對傳入的值x進行判別，並輸出結果。
但是，由於z的值可能為[],為了方便處理，需要將其壓縮到一個合理的范圍，還需sigmoid函數:
這樣的激勵函數，能夠將剛才的區間，壓縮到
Ⅳ matlab 神經網路隱含層節點數如何讓確定還有各個節點數量的訓練誤差如何得出來的比方說：
節點數一般由試驗確定，你可以試試 1~2倍輸入節點數。
訓練誤差是指輸出值與輸入值之間的差值。
不明白你說的「節點數量的訓練誤差」。
Ⅳ BP神經網路怎麼設置輸入層節點數
matlab的？ 輸入層由你輸入的特徵決定的，送入特徵matlab就自動確定輸入層節點數了
Ⅵ NeuroSolutions的神經網路，裡面有設置隱含層節點數嘛
網路的訓練過程與使用過程了兩碼事。比如BP應用在分類，網路的訓練是指的給你一些樣本，同時告訴你這些樣本屬於哪一類，然後代入網路訓練，使得這個網路具備一定的分類能力，訓練完成以後再拿一個未知類別的數據通過網路進行分類。這里的訓練過程就是先偽隨機生成權值，然後把樣本輸入進去算出每一層的輸出，並最終算出來預測輸出（輸出層的輸出），這是正向學習過程；最後通過某種訓練演算法（最基本的是感知器演算法）使得代價（預測輸出與實際輸出的某范數）函數關於權重最小，這個就是反向傳播過程。您所說的那種不需要預先知道樣本類別的網路屬於無監督類型的網路，比如自組織競爭神經網路。
Ⅶ matlabBP神經網路工具箱，可以調整隱含層節點數嘛
Matlab神經網路工具箱幾乎包含了現有神經網路的最新成果，神經網路工具箱模型包括感知器、線性網路、BP網路、徑向基函數網路、競爭型神經網路、自組織網路和學習向量量化網路、反饋網路BP神經網路具有很強的映射能力，主要用於模式識別分類、函數逼近、函數壓縮等。下面通過實例來說明BP網路在函數逼近方面的應用需要逼近的函數是f(x)=1+sin(k*pi/2*x),其中，選擇k=2進行模擬，設置隱藏層神經元數目為n,n可以改變，便於後面觀察隱藏層節點與函數逼近能力的關系。
Ⅷ 神經網路隱含層節點數過多的危害！
實驗表明，如果隱層結點數過少，網路不能具有必要的學習能力和信息處理能力。反之，若過多，不僅會大大增加網路結構的復雜性（這一點對硬體實現的網路尤其重要），網路在學習過程中更易陷入局部極小點，而且會使網路的學習速度變得很慢。隱層結點數的選擇問題一直受到高度重視。
方法1：
fangfaGorman指出隱層結點數s與模式數N的關系是：s＝log2N；
方法二：
Kolmogorov定理表明，隱層結點數s＝2n＋1（n為輸入層結點數）；
方法三：
s＝sqrt（0.43mn＋0.12nn＋2.54m＋0.77n＋0.35）＋0.51
（m是輸入層的個數，n是輸出層的個數）。
Ⅸ 神經網路的隱含層節點數怎麼設置啊比如要設置18層隱含節點數！跪求，工作急用！
隱層一般是一層或兩層，很少會採用三層以上，至少隱層的節點數確定，一般有以下幾種方法：1、有經驗的人員根據以往的經驗湊試出節點個數。2、某些學術研究出固定的求節點方法，如2m+1個隱層節點，m為輸入個數。3、修剪法。剛開始建立足夠多的節點數，在訓練過程中，根據節點數的相關程度，刪除重復的節點。