① elman神经网络能够解决的问题,还有其他什么网络能够更好的解决
还可以来使用GRNN神经网络,源效果非常好,并且训练速度非常快。广义回归神经网络GRNN:径向基神经元和线性神经元可以建立广义回归神经网络,它是径RBF网络的一种变化形式,经常用于函数逼近。在某些方面比RBF网络更具优势。
在MATLAB中,直接使用net=newgrnn(P,T,spread)就能以非常快的速度设计出一个GRNN网络,其进行训练及预测时,效果非常好,不会比elman神经网络差。扩展常数SPREAD不能太小,才能使部分径向基神经元能够对输入向量所覆盖的区间产生相应,但也不能太大,否则计算困难。可以通过试凑来获得最佳扩展常数。
② 神经网络主要用于什么问题的求解
神经网络的研究可以分为理论研究和应用研究两大方面。
理论研究可分为以下两专类:
1、利用神属经生理与认知科学研究人类思维以及智能机理。
2、利用神经基础理论的研究成果,用数理方法探索功能更加完善、性能更加优越的神经网络模型,深入研究网络算法和性能,如:稳定性、收敛性、容错性、鲁棒性等;开发新的网络数理理论,如:神经网络动力学、非线性神经场等。
应用研究可分为以下两类:
1、神经网络的软件模拟和硬件实现的研究。
2、神经网络在各个领域中应用的研究。这些领域主要包括:
模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。随着神经网络理论本身以及相关理论、相关技术的不断发展,神经网络的应用定将更加深入。
http://ke..com/view/5348.htm?fr=ala0_1
③ 神经网络是用来解决什么问题的
一般用来胡弄人的
④ 神经网络对文本分类可以解决什么问题
神经网络模型属于黑箱模型,它通过对已有数据进行机器学习,然后可以用该模型进行预测、判别等。
⑤ 人工神经网络可以解决哪些问题
信息领域中的应用:信息处理、模式识别、数据压缩等。
自动化领域:系统辨识、神经控制器、智能检测等。
工程领域:汽车工程、军事工程、化学工程、水利工程等。
在医学中的应用:生物信号的检测与分析、生物活性研究、医学专家系统等。
经济领域的应用:市场价格预测、风险评估等。
此外还有很多应用,比如交通领域的应用,心理学领域的应用等等。神经网络的应用领域是非常广的。
⑥ 如何用神经网络解决Q-learning的问题
我觉得可以把(state,action) pair输入,输出一个Q(state,action) 但这样要算出在这个state 所有action的Q(state,action)要算N次, N是action的个数
也可以只把state 当做输入,让神经网络的输出个数是N,这样只要过一遍神经网络就可以得到所有的action 的Q。
⑦ 为什么使用神经网络解决线性问题
神经网络的研究可以分为理论研究和应用研究两大方面。 理论研究可分为以下两类: 1、利用神经生理与认知科学研究人类思维以及智能机理。 2、利用神经基础理论的研究成果,用数理方法探索功能更加完善、性能更加优越的神经网络模型,深入研究网络...
请采纳
如果你认可我的回答,敬请及时采纳,
~如果你认可我的回答,请及时点击【采纳为满意回答】按钮
~~手机提问的朋友在客户端右上角评价点【满意】即可。
~你的采纳是我前进的动力
~~O(∩_∩)O,记得好评和采纳,互相帮助
⑧ BP神经网络都能解决什
这是神经网络本身的特性,改变不了,如果觉得结果波动太大可以多次试验取平均
⑨ 神经网络算法可以解决的问题有哪些
人工神经网络(Artificial Neural Networks,ANN)系统是 20 世纪 40 年代后出现的。它是由众多的神经元可调的连接权值连接而成,具有大规模并行处理、分布式信 息存储、良好的自组织自学习能力等特点。BP(Back Propagation)算法又称为误差 反向传播算法,是人工神经网络中的一种监督式的学习算法。BP 神经网络算法在理 论上可以逼近任意函数,基本的结构由非线性变化单元组成,具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定,灵活性很大,在优化、信号处理与模式识别、智能控制、故障诊断等许 多领域都有着广泛的应用前景。
工作原理
人工神经元的研究起源于脑神经元学说。19世纪末,在生物、生理学领域,Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元,每立方毫米约有数万个,它们互相联结形成神经网络,通过感觉器官和神经接受来自身体内外的各种信息,传递至中枢神经系统内,经过对信息的分析和综合,再通过运动神经发出控制信息,以此来实现机体与内外环境的联系,协调全身的各种机能活动。
神经元也和其他类型的细胞一样,包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊,具有许多突起,因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核,突起的作用是传递信息。树突是作为引入输入信号的突起,而轴突是作为输出端的突起,它只有一个。
树突是细胞体的延伸部分,它由细胞体发出后逐渐变细,全长各部位都可与其他神经元的轴突末梢相互联系,形成所谓“突触”。在突触处两神经元并未连通,它只是发生信息传递功能的结合部,联系界面之间间隙约为(15~50)×10米。突触可分为兴奋性与抑制性两种类型,它相应于神经元之间耦合的极性。每个神经元的突触数目正常,最高可达10个。各神经元之间的连接强度和极性有所不同,并且都可调整、基于这一特性,人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。
人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单,但大量神经元组合产生的系统行为却非常复杂。
人工神经网络反映了人脑功能的若干基本特性,但并非生物系统的逼真描述,只是某种模仿、简化和抽象。
与数字计算机比较,人工神经网络在构成原理和功能特点等方面更加接近人脑,它不是按给定的程序一步一步地执行运算,而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。
人工神经网络首先要以一定的学习准则进行学习,然后才能工作。现以人工神经网络对于写“A”、“B”两个字母的识别为例进行说明,规定当“A”输入网络时,应该输出“1”,而当输入为“B”时,输出为“0”。
所以网络学习的准则应该是:如果网络作出错误的的判决,则通过网络的学习,应使得网络减少下次犯同样错误的可能性。首先,给网络的各连接权值赋予(0,1)区间内的随机值,将“A”所对应的图象模式输入给网络,网络将输入模式加权求和、与门限比较、再进行非线性运算,得到网络的输出。在此情况下,网络输出为“1”和“0”的概率各为50%,也就是说是完全随机的。这时如果输出为“1”(结果正确),则使连接权值增大,以便使网络再次遇到“A”模式输入时,仍然能作出正确的判断。