① elman神經網路能夠解決的問題,還有其他什麼網路能夠更好的解決
還可以來使用GRNN神經網路，源效果非常好，並且訓練速度非常快。廣義回歸神經網路GRNN：徑向基神經元和線性神經元可以建立廣義回歸神經網路，它是徑RBF網路的一種變化形式，經常用於函數逼近。在某些方面比RBF網路更具優勢。
在MATLAB中，直接使用net=newgrnn(P,T,spread)就能以非常快的速度設計出一個GRNN網路，其進行訓練及預測時，效果非常好，不會比elman神經網路差。擴展常數SPREAD不能太小，才能使部分徑向基神經元能夠對輸入向量所覆蓋的區間產生相應，但也不能太大，否則計算困難。可以通過試湊來獲得最佳擴展常數。
② 神經網路主要用於什麼問題的求解
神經網路的研究可以分為理論研究和應用研究兩大方面。
理論研究可分為以下兩專類：
1、利用神屬經生理與認知科學研究人類思維以及智能機理。
2、利用神經基礎理論的研究成果，用數理方法探索功能更加完善、性能更加優越的神經網路模型，深入研究網路演算法和性能，如：穩定性、收斂性、容錯性、魯棒性等；開發新的網路數理理論，如：神經網路動力學、非線性神經場等。
應用研究可分為以下兩類：
1、神經網路的軟體模擬和硬體實現的研究。
2、神經網路在各個領域中應用的研究。這些領域主要包括：
模式識別、信號處理、知識工程、專家系統、優化組合、機器人控制等。隨著神經網路理論本身以及相關理論、相關技術的不斷發展，神經網路的應用定將更加深入。
http://ke..com/view/5348.htm?fr=ala0_1
③ 神經網路是用來解決什麼問題的
一般用來胡弄人的
④ 神經網路對文本分類可以解決什麼問題
神經網路模型屬於黑箱模型，它通過對已有數據進行機器學習，然後可以用該模型進行預測、判別等。
⑤ 人工神經網路可以解決哪些問題
信息領域中的應用：信息處理、模式識別、數據壓縮等。
自動化領域：系統辨識、神經控制器、智能檢測等。
工程領域：汽車工程、軍事工程、化學工程、水利工程等。
在醫學中的應用：生物信號的檢測與分析、生物活性研究、醫學專家系統等。
經濟領域的應用：市場價格預測、風險評估等。
此外還有很多應用，比如交通領域的應用，心理學領域的應用等等。神經網路的應用領域是非常廣的。
⑥ 如何用神經網路解決Q-learning的問題
我覺得可以把(state,action) pair輸入，輸出一個Q(state,action) 但這樣要算出在這個state 所有action的Q(state,action)要算N次, N是action的個數
也可以只把state 當做輸入，讓神經網路的輸出個數是N，這樣只要過一遍神經網路就可以得到所有的action 的Q。
⑦ 為什麼使用神經網路解決線性問題
神經網路的研究可以分為理論研究和應用研究兩大方面。 理論研究可分為以下兩類： 1、利用神經生理與認知科學研究人類思維以及智能機理。 2、利用神經基礎理論的研究成果，用數理方法探索功能更加完善、性能更加優越的神經網路模型，深入研究網路...
請採納
如果你認可我的回答，敬請及時採納，
~如果你認可我的回答，請及時點擊【採納為滿意回答】按鈕
~~手機提問的朋友在客戶端右上角評價點【滿意】即可。
~你的採納是我前進的動力
~~O(∩_∩)O，記得好評和採納，互相幫助
⑧ BP神經網路都能解決什
這是神經網路本身的特性，改變不了，如果覺得結果波動太大可以多次試驗取平均
⑨ 神經網路演算法可以解決的問題有哪些
人工神經網路（Artificial Neural Networks，ANN）系統是 20 世紀 40 年代後出現的。它是由眾多的神經元可調的連接權值連接而成，具有大規模並行處理、分布式信 息存儲、良好的自組織自學習能力等特點。BP（Back Propagation）演算法又稱為誤差 反向傳播演算法，是人工神經網路中的一種監督式的學習演算法。BP 神經網路演算法在理 論上可以逼近任意函數，基本的結構由非線性變化單元組成，具有很強的非線性映射能力。而且網路的中間層數、各層的處理單元數及網路的學習系數等參數可根據具體情況設定，靈活性很大，在優化、信號處理與模式識別、智能控制、故障診斷等許 多領域都有著廣泛的應用前景。
工作原理
人工神經元的研究起源於腦神經元學說。19世紀末，在生物、生理學領域，Waldeger等人創建了神經元學說。人們認識到復雜的神經系統是由數目繁多的神經元組合而成。大腦皮層包括有100億個以上的神經元，每立方毫米約有數萬個，它們互相聯結形成神經網路，通過感覺器官和神經接受來自身體內外的各種信息，傳遞至中樞神經系統內，經過對信息的分析和綜合，再通過運動神經發出控制信息，以此來實現機體與內外環境的聯系，協調全身的各種機能活動。
神經元也和其他類型的細胞一樣，包括有細胞膜、細胞質和細胞核。但是神經細胞的形態比較特殊，具有許多突起，因此又分為細胞體、軸突和樹突三部分。細胞體內有細胞核，突起的作用是傳遞信息。樹突是作為引入輸入信號的突起，而軸突是作為輸出端的突起，它只有一個。
樹突是細胞體的延伸部分，它由細胞體發出後逐漸變細，全長各部位都可與其他神經元的軸突末梢相互聯系，形成所謂「突觸」。在突觸處兩神經元並未連通，它只是發生信息傳遞功能的結合部，聯系界面之間間隙約為（15～50)×10米。突觸可分為興奮性與抑制性兩種類型，它相應於神經元之間耦合的極性。每個神經元的突觸數目正常，最高可達10個。各神經元之間的連接強度和極性有所不同，並且都可調整、基於這一特性，人腦具有存儲信息的功能。利用大量神經元相互聯接組成人工神經網路可顯示出人的大腦的某些特徵。
人工神經網路是由大量的簡單基本元件——神經元相互聯接而成的自適應非線性動態系統。每個神經元的結構和功能比較簡單，但大量神經元組合產生的系統行為卻非常復雜。
人工神經網路反映了人腦功能的若干基本特性，但並非生物系統的逼真描述，只是某種模仿、簡化和抽象。
與數字計算機比較，人工神經網路在構成原理和功能特點等方面更加接近人腦，它不是按給定的程序一步一步地執行運算，而是能夠自身適應環境、總結規律、完成某種運算、識別或過程式控制制。
人工神經網路首先要以一定的學習准則進行學習，然後才能工作。現以人工神經網路對於寫「A」、「B」兩個字母的識別為例進行說明，規定當「A」輸入網路時，應該輸出「1」，而當輸入為「B」時，輸出為「0」。
所以網路學習的准則應該是：如果網路作出錯誤的的判決，則通過網路的學習，應使得網路減少下次犯同樣錯誤的可能性。首先，給網路的各連接權值賦予(0，1)區間內的隨機值，將「A」所對應的圖象模式輸入給網路，網路將輸入模式加權求和、與門限比較、再進行非線性運算，得到網路的輸出。在此情況下，網路輸出為「1」和「0」的概率各為50%，也就是說是完全隨機的。這時如果輸出為「1」(結果正確)，則使連接權值增大，以便使網路再次遇到「A」模式輸入時，仍然能作出正確的判斷。