神經網路輸入量怎麼設置

『壹』 關於神經網路BP演算法的輸入問題

可以的！
之所以叫BP網路，是因為使用了坦櫻反向傳遞演算法，這是一種結果導向的自學習方法，用在五子棋上是可以的。因為五子棋的游戲方法正是很明顯的結果導向的過程。
簡單說這么個過程讓嘩叢：
1.設置輸入和輸出類型，比如都是坐標[x1，y1]、[x2，y2]...
2.訓練：
你告訴網路
A情況下應該輸出A1
B情況下應該輸出B1
C情況下應該輸出C1
...
A+B情況下應該輸出AB1
3.測試：
你問網路A+B+C情況下，應該輸出多少？在哪裡蘆敏下子（就是[x,y]是多少？）網路就根據前面BP訓練的結果自動算出你要的坐標。

用Matlab神經網路工具箱做吧，不是很難。另外，五子棋的棋盤別太大了，訓練難度和時間是隨棋盤大小成級數增長的。

『貳』 bp神經網路對輸入數據和輸出數據有什麼要求

p神經網路的輸入數據越多越好，輸出數據需要反映網路的聯想記憶和預測能力。

BP網路能內學習和存貯大量的輸入容-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。

BP神經網路模型拓撲結構包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。BP網路具有高度非線性和較強的泛化能力，但也存在收斂速度慢、迭代步數多、易於陷入局部極小和全局搜索能力差等缺點。

(2)神經網路輸入量怎麼設置擴展閱讀：

BP演算法主要思想是：輸入學習樣本，使用反向傳播演算法對網路的權值和偏差進行反復的調整訓練，使輸出的向量與期望向量盡可能地接近，當網路輸出層的誤差平方和小於指定的誤差時訓練完成，保存網路的權值和偏差。

1、初始化，隨機給定各連接權及閥值。

2、由給定的輸入輸出模式對計算隱層、輸出層各單元輸出

3、計算新的連接權及閥值，計算公式如下：

4、選取下一個輸入模式對返回第2步反復訓練直到網路設輸出誤差達到要求結束訓練。

『叄』 MATLAB中BP神經網路多輸入單輸出程序

把輸入轉置一下 應該就可以了，這樣就有10列，對應10個輸出，每列的三行就對應3維

『肆』 microsoft 挖掘模型 神經網路查看器里如何把輸入值改為手動輸入

官方語言徒啼呀

『伍』 matlab 神經網路 向量 輸入 方法

你這個P要變成P=[1000，3.2，100；
2000，2.9，150]『注意我加了一個「』」表示進行了轉置，你運行看看，應該是正確的了！

『陸』 神經網路對輸入變數個數有沒有要求，六十個可以嗎

可以，但是網路規模太大，很臃腫，需要調整的參數過多，影響收斂速度。

關於隱層節點數：在BP 網路中，隱層節點數的選擇非常重要，它不僅對建立的神經網路模型的性能影響很大，而且是訓練時出現「過擬合」的直接原因，但是目前理論上還沒有一種科學的和普遍的確定方法。 目前多數文獻中提出的確定隱層節點數的計算公式都是針對訓練樣本任意多的情況，而且多數是針對最不利的情況，一般工程實踐中很難滿足，不宜採用。事實上，各種計算公式得到的隱層節點數有時相差幾倍甚至上百倍。為盡可能避免訓練時出現「過擬合」現象，保證足夠高的網路性能和泛化能力，確定隱層節點數的最基本原則是：在滿足精度要求的前提下取盡可能緊湊的結構，即取盡可能少的隱層節點數。研究表明，隱層節點數不僅與輸入/輸出層的節點數有關，更與需解決的問題的復雜程度和轉換函數的型式以及樣本數據的特性等因素有關。
在確定隱層節點數時必須滿足下列條件：
（1）隱層節點數必須小於N-1（其中N為訓練樣本數），否則，網路模型的系統誤差與訓練樣本的特性無關而趨於零，即建立的網路模型沒有泛化能力，也沒有任何實用價值。同理可推得：輸入層的節點數（變數數）必須小於N-1。
(2) 訓練樣本數必須多於網路模型的連接權數，一般為2~10倍，否則，樣本必須分成幾部分並採用「輪流訓練」的方法才可能得到可靠的神經網路模型。
總之，若隱層節點數太少，網路可能根本不能訓練或網路性能很差；若隱層節點數太多，雖然可使網路的系統誤差減小，但一方面使網路訓練時間延長，另一方面，訓練容易陷入局部極小點而得不到最優點，也是訓練時出現「過擬合」的內在原因。因此，合理隱層節點數應在綜合考慮網路結構復雜程度和誤差大小的情況下用節點刪除法和擴張法確定。

『柒』 神經網路輸入的每一組離散點的離散點個數都不一致，神經網路怎麼設置

以可能達到的最多離散點的個數為准，其他樣本中長度不足的補零

『捌』 在用bp神經網路時,需要輸入數據,但有些數據是定性數據,如何將定性數據定量化

你所說的應該是輸入數據的預處理 即pre-processing,你使用ST Nueral Networks的話,裡面有自動的預處理,你輸入定性版數據(nominal variable)後,軟體權可以自動預處理後轉化為神經網路可以識別的數值.
或者你自己設置
例1 根據年鑒記載的某些地區經度,緯度與台風類型的關系預測任意經緯度下台風類型(台風A或者台風B),

台風類型就屬於定性數據在STNN中你可以現將輸出變數設置為nominal variable,然後設置輸出變數的數目為2,分別是V1和V2,構建網路的時候經緯度對應台風A的,設置輸出值為V1,為台風B的設置為V2,預測時,網路可以給出結果V1或者V2,你就知道是哪種台風了.
例2 根據現有的水質標准以及數種污染物的采樣值預測該河流的水質級別

輸出值為水質級別,同樣為nominal variable,你可以將輸出值作一個標准化處理,設總共有五個水質級別,你可以將輸出變數區間化分為0-0.2,0.2-0.4,0.4-0.6,0.6-0.8,0.8-1,設置第一級別水質對應的輸出值為0.2 第2級水質對應0.4,等等,第5級水質對應1