神经网络输入量怎么设置

『壹』 关于神经网络BP算法的输入问题

可以的！
之所以叫BP网络，是因为使用了坦樱反向传递算法，这是一种结果导向的自学习方法，用在五子棋上是可以的。因为五子棋的游戏方法正是很明显的结果导向的过程。
简单说这么个过程让哗丛：
1.设置输入和输出类型，比如都是坐标[x1，y1]、[x2，y2]...
2.训练：
你告诉网络
A情况下应该输出A1
B情况下应该输出B1
C情况下应该输出C1
...
A+B情况下应该输出AB1
3.测试：
你问网络A+B+C情况下，应该输出多少？在哪里芦敏下子（就是[x,y]是多少？）网络就根据前面BP训练的结果自动算出你要的坐标。

用Matlab神经网络工具箱做吧，不是很难。另外，五子棋的棋盘别太大了，训练难度和时间是随棋盘大小成级数增长的。

『贰』 bp神经网络对输入数据和输出数据有什么要求

p神经网络的输入数据越多越好，输出数据需要反映网络的联想记忆和预测能力。

BP网络能内学习和存贮大量的输入容-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。BP网络具有高度非线性和较强的泛化能力，但也存在收敛速度慢、迭代步数多、易于陷入局部极小和全局搜索能力差等缺点。

(2)神经网络输入量怎么设置扩展阅读：

BP算法主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。

1、初始化，随机给定各连接权及阀值。

2、由给定的输入输出模式对计算隐层、输出层各单元输出

3、计算新的连接权及阀值，计算公式如下：

4、选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。

『叁』 MATLAB中BP神经网络多输入单输出程序

把输入转置一下 应该就可以了，这样就有10列，对应10个输出，每列的三行就对应3维

『肆』 microsoft 挖掘模型 神经网络查看器里如何把输入值改为手动输入

官方语言徒啼呀

『伍』 matlab 神经网络 向量 输入 方法

你这个P要变成P=[1000，3.2，100；
2000，2.9，150]‘注意我加了一个“’”表示进行了转置，你运行看看，应该是正确的了！

『陆』 神经网络对输入变量个数有没有要求，六十个可以吗

可以，但是网络规模太大，很臃肿，需要调整的参数过多，影响收敛速度。

关于隐层节点数：在BP 网络中，隐层节点数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，但是目前理论上还没有一种科学的和普遍的确定方法。 目前多数文献中提出的确定隐层节点数的计算公式都是针对训练样本任意多的情况，而且多数是针对最不利的情况，一般工程实践中很难满足，不宜采用。事实上，各种计算公式得到的隐层节点数有时相差几倍甚至上百倍。为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。研究表明，隐层节点数不仅与输入/输出层的节点数有关，更与需解决的问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。
在确定隐层节点数时必须满足下列条件：
（1）隐层节点数必须小于N-1（其中N为训练样本数），否则，网络模型的系统误差与训练样本的特性无关而趋于零，即建立的网络模型没有泛化能力，也没有任何实用价值。同理可推得：输入层的节点数（变量数）必须小于N-1。
(2) 训练样本数必须多于网络模型的连接权数，一般为2~10倍，否则，样本必须分成几部分并采用“轮流训练”的方法才可能得到可靠的神经网络模型。
总之，若隐层节点数太少，网络可能根本不能训练或网络性能很差；若隐层节点数太多，虽然可使网络的系统误差减小，但一方面使网络训练时间延长，另一方面，训练容易陷入局部极小点而得不到最优点，也是训练时出现“过拟合”的内在原因。因此，合理隐层节点数应在综合考虑网络结构复杂程度和误差大小的情况下用节点删除法和扩张法确定。

『柒』 神经网络输入的每一组离散点的离散点个数都不一致，神经网络怎么设置

以可能达到的最多离散点的个数为准，其他样本中长度不足的补零

『捌』 在用bp神经网络时,需要输入数据,但有些数据是定性数据,如何将定性数据定量化

你所说的应该是输入数据的预处理 即pre-processing,你使用ST Nueral Networks的话,里面有自动的预处理,你输入定性版数据(nominal variable)后,软件权可以自动预处理后转化为神经网络可以识别的数值.
或者你自己设置
例1 根据年鉴记载的某些地区经度,纬度与台风类型的关系预测任意经纬度下台风类型(台风A或者台风B),

台风类型就属于定性数据在STNN中你可以现将输出变量设置为nominal variable,然后设置输出变量的数目为2,分别是V1和V2,构建网络的时候经纬度对应台风A的,设置输出值为V1,为台风B的设置为V2,预测时,网络可以给出结果V1或者V2,你就知道是哪种台风了.
例2 根据现有的水质标准以及数种污染物的采样值预测该河流的水质级别

输出值为水质级别,同样为nominal variable,你可以将输出值作一个标准化处理,设总共有五个水质级别,你可以将输出变量区间化分为0-0.2,0.2-0.4,0.4-0.6,0.6-0.8,0.8-1,设置第一级别水质对应的输出值为0.2 第2级水质对应0.4,等等,第5级水质对应1