Ⅰ 神经网络的隐含层节点数是不是通过公式设置的！比如隐含层节点数18，就用隐含层节点数18的公式！工作
现在还没有什么成熟的定理能确定各层神经元的神经元个数和含有几层网络，大多数还是靠经验，不过3层网络可以逼近任意一个非线性网络，神经元个数越多逼近的效果越好。
Ⅱ 神经网络的隐层数，节点数设置。
我自己总结的：
1、神经网络算法隐含层的选取
1.1 构造法
首先运用三种确定隐含层层数的方法得到三个隐含层层数，找到最小值和最大值，然后从最小值开始逐个验证模型预测误差，直到达到最大值。最后选取模型误差最小的那个隐含层层数。该方法适用于双隐含层网络。
1.2 删除法
单隐含层网络非线性映射能力较弱，相同问题，为达到预定映射关系，隐层节点要多一些，以增加网络的可调参数，故适合运用删除法。
1.3黄金分割法
算法的主要思想：首先在[a,b]内寻找理想的隐含层节点数，这样就充分保证了网络的逼近能力和泛化能力。为满足高精度逼近的要求，再按照黄金分割原理拓展搜索区间，即得到区间[b,c]（其中b=0.619*（c-a）+a），在区间[b,c]中搜索最优，则得到逼近能力更强的隐含层节点数，在实际应用根据要求，从中选取其一即可。
Ⅲ 神经网络一个隐含层通常有几个节点数阿
一个最简单的分类，是在平面上画一条直线，左边为类0，右边为类1，直线表示为
这是一个分类器，输入(x,y)，那么，要求的参数有三个:a,b,c。另外注意c的作用，如果没有c，这条直线一定会过原点。
因此，我们可以设计一个简单的神经网络，包含两层，输入层有三个节点，代表x,y,1，三条线分别代表a,b,cg(z)对传入的值x进行判别，并输出结果。
但是，由于z的值可能为[],为了方便处理，需要将其压缩到一个合理的范围，还需sigmoid函数:
这样的激励函数，能够将刚才的区间，压缩到
Ⅳ matlab 神经网络隐含层节点数如何让确定还有各个节点数量的训练误差如何得出来的比方说：
节点数一般由试验确定，你可以试试 1~2倍输入节点数。
训练误差是指输出值与输入值之间的差值。
不明白你说的“节点数量的训练误差”。
Ⅳ BP神经网络怎么设置输入层节点数
matlab的？ 输入层由你输入的特征决定的，送入特征matlab就自动确定输入层节点数了
Ⅵ NeuroSolutions的神经网络，里面有设置隐含层节点数嘛
网络的训练过程与使用过程了两码事。比如BP应用在分类，网络的训练是指的给你一些样本，同时告诉你这些样本属于哪一类，然后代入网络训练，使得这个网络具备一定的分类能力，训练完成以后再拿一个未知类别的数据通过网络进行分类。这里的训练过程就是先伪随机生成权值，然后把样本输入进去算出每一层的输出，并最终算出来预测输出（输出层的输出），这是正向学习过程；最后通过某种训练算法（最基本的是感知器算法）使得代价（预测输出与实际输出的某范数）函数关于权重最小，这个就是反向传播过程。您所说的那种不需要预先知道样本类别的网络属于无监督类型的网络，比如自组织竞争神经网络。
Ⅶ matlabBP神经网络工具箱，可以调整隐含层节点数嘛
Matlab神经网络工具箱几乎包含了现有神经网络的最新成果，神经网络工具箱模型包括感知器、线性网络、BP网络、径向基函数网络、竞争型神经网络、自组织网络和学习向量量化网络、反馈网络BP神经网络具有很强的映射能力，主要用于模式识别分类、函数逼近、函数压缩等。下面通过实例来说明BP网络在函数逼近方面的应用需要逼近的函数是f(x)=1+sin(k*pi/2*x),其中，选择k=2进行仿真，设置隐藏层神经元数目为n,n可以改变，便于后面观察隐藏层节点与函数逼近能力的关系。
Ⅷ 神经网络隐含层节点数过多的危害！
实验表明，如果隐层结点数过少，网络不能具有必要的学习能力和信息处理能力。反之，若过多，不仅会大大增加网络结构的复杂性（这一点对硬件实现的网络尤其重要），网络在学习过程中更易陷入局部极小点，而且会使网络的学习速度变得很慢。隐层结点数的选择问题一直受到高度重视。
方法1：
fangfaGorman指出隐层结点数s与模式数N的关系是：s＝log2N；
方法二：
Kolmogorov定理表明，隐层结点数s＝2n＋1（n为输入层结点数）；
方法三：
s＝sqrt（0.43mn＋0.12nn＋2.54m＋0.77n＋0.35）＋0.51
（m是输入层的个数，n是输出层的个数）。
Ⅸ 神经网络的隐含层节点数怎么设置啊比如要设置18层隐含节点数！跪求，工作急用！
隐层一般是一层或两层，很少会采用三层以上，至少隐层的节点数确定，一般有以下几种方法：1、有经验的人员根据以往的经验凑试出节点个数。2、某些学术研究出固定的求节点方法，如2m+1个隐层节点，m为输入个数。3、修剪法。刚开始建立足够多的节点数，在训练过程中，根据节点数的相关程度，删除重复的节点。