在NEAT中，偏置神经元是如何产生的？
在NEAT（NeuroEvolution of Augmenting Topologies）中，偏置神经元是通过进化算法来产生的。NEAT是一种进化算法的变体，用于自动设计神经网络结构。
在NEAT中，初始种群中的个体是没有偏置神经元的。通过进化算法的操作，新的个体会逐渐出现偏置神经元，以优化神经网络的性能。
具体来说，NEAT的进化算法包括遗传操作和创新机制。遗传操作主要包括交叉和变异。交叉是将两个个体的基因组合成一个新的个体，而变异则是对个体的基因进行随机的改变。在交叉和变异过程中，可以出现新的连接和神经元。
创新机制是NEAT的核心特点之一。它通过引入基因兼容性和历史记录来促进创新。基因兼容性用于衡量两个个体之间的相似度，基于相似度可以确定是否允许交叉操作。历史记录则用于追踪每个连接和神经元的产生时间，以避免出现冗余结构。
在NEAT的进化过程中，偏置神经元的产生是通过变异和创新机制实现的。随着进化的进行，个体会逐渐演化出更复杂的神经网络结构，其中包括偏置神经元。这些偏置神经元可以在神经网络中引入偏移量，从而增强网络的表达能力和适应性。
总结起来，NEAT中的偏置神经元是通过进化算法中的变异和创新机制产生的，它们可以提供神经网络的表达能力和适应性。对于NEAT中的偏置神经元的更详细了解和相关产品介绍，可以参考腾讯云的相关文档和资源。
相关·内容
1回答
在整洁中，您可以添加一个始终处于活动状态的特殊偏置输入节点。关于这样一个节点的实现，在原始论文中没有太多的信息。现在我想知道偏差节点应该如何表现，如果有一致意见的话。
所以问题是：
来自偏置节点的连接是在演化过程中产生的，对于新节点可以像常规连接那样被拆分，还是偏置节点总是连接到所有非输入节点？
浏览 9提问于2020-05-04得票数 1
我正在检查summary函数的输出，并且不理解所有打印的值。
例如，查看以下简单代码：
x = [1, 2, 3, 4, 5]
y = [1.2, 1.8, 3.5, 3.7, 5.3]
model = Sequential()
model.add(Dense(10, input_dim=1, activation='relu'))
model.add(Dense(30, input_dim=1, activation='relu'))
model.add(Dense(10, input_dim=1, activation='relu'))
mo
浏览 3提问于2020-11-15得票数 2
回答已采纳
我想训练一个神经网络与神经网络包在R-但不使用偏置节点。
我想我应该在某种程度上使用exclude参数，但我不知道如何使用。
我的问题
例如，如何训练一个有6个输入神经元、3个隐藏神经元和7个输出神经元的模型--但没有任何偏置神经元？
浏览 2提问于2016-11-16得票数 3
回答已采纳
我读了一些关于安的文献，有点搞不懂这些偏见是如何更新的。我知道这个过程是通过反向传播来完成的，但是我很困惑，因为我读到他们的价值总是一个，所以我对哪一部分的偏见进行了实际的调整。
因此，我的问题是，如果偏差值被调整，是因为它们的连接信道权重被更新，从而导致调整，还是实际值被更新。
提前感谢！
浏览 2提问于2022-02-16得票数 0
回答已采纳
1回答
两个星期以来，我一直在和一个神经元网络一起工作。我的激活功能是正常的乙状结肠功能，但是有一件事，我在网上读过，但找到了不同的解释方式。
目前，我正在将所有输入值与其权重相乘，然后添加偏差(这是负阈值)。我从那里得到了所有这些
在前向传播部分，偏倚根本没有使用，我认为它应该是，所以请告诉我，我只是愚蠢地看到他们做了什么，或哪一页是错误的？
for(int v = 0; v < outputs[i].X; v++){
outputs[i].set(v, biases[i].get(v));
for(int k = 0; k < outputs[i-1].X; k
浏览 1提问于2016-04-19得票数 0
回答已采纳
1回答
我理解偏置节点在神经网络中的作用，以及为什么在小网络中转移激活函数很重要。我的问题是:偏差在非常大的网络中仍然很重要(更具体地说，使用ReLu激活函数、3个卷积层、2个隐藏层和超过10万个连接来识别图像的卷积神经网络)，还是会因为激活次数的增加而失去影响？
我之所以问这个问题，是因为在过去，我建立了一个网络，在这些网络中我忘记了实现一个偏置节点，但是在添加一个节点后，性能上的差异却是微不足道的。这可能是偶然的结果吗，因为具体的数据集不需要偏见？在大型网络中，我是否需要用更大的值初始化偏倚？如有任何其他建议，将不胜感激。
浏览 3提问于2014-09-11得票数 8
回答已采纳
我想建立一个模型来预测输入信号的未来响应，我的网络结构是3，5，1。
3输入，隐层5神经元，输出层1神经元。
我的问题是：
对于每一个隐藏的和输出的layer?Should，我们应该对每一层的偏差分别赋予的权重(因为偏差成为我们网络的额外值，并导致过度负担，network)?Why偏倚总是设置为1)吗？如果eta有不同的值，为什么我们不用不同的值设置偏差？为什么我们总是对非线性函数使用log函数，我们可以使用tanh ?吗？
浏览 3提问于2011-08-24得票数 19
回答已采纳
1回答
我希望像这样从CSV文件中加载数据：
var format = new CSVFormat('.', ' ');
IVersatileDataSource source = new CSVDataSource(filename, false, format);
var data = new VersatileMLDataSet(source); ...
那么我有两个选择：
使用EncogModel
var model = new EncogModel(data);
model.SelectMethod(data, MLMethodFactory.TypeFee
浏览 1提问于2016-09-15得票数 4
回答已采纳
1回答
如果我有一个具有任意数量层的人工神经网络，而最后一个(退出)节点只接受3个输入(1，x1，x2)，那么如果前面的隐藏层有4个节点，意味着它创建了4个到最后一个节点的连接，我该怎么办。我应该忽略% 1吗？或者我必须强制最后一层有3个节点？
如果最后一个隐藏层只有2个或1个节点，我也很难处理这个问题。
我知道这不是一个真正的编程问题，但我并不是很难编程(到目前为止)只是处理这些问题。
所以，是的，这个想法是用户可以告诉我隐藏层的数量和每层的节点数量。
浏览 4提问于2011-05-04得票数 2
回答已采纳
2回答
好的，让我在序言中说，我很清楚这取决于许多因素，我正在寻找一些有经验的人的一般指导方针。
我的目标是而不是，建立一个能为我计算数字平方的神经网络，但我认为这将是一个很好的实验，看看我是否正确地实现了反向传播算法。这看起来是个好主意吗？无论如何，我担心我没有正确地实现学习算法(完全)。
我的测试(结果)：
训练数据：使用.001和.999随机生成500个随机数
网络拓扑结构：3层有1个输入神经元，5个隐神经元，1个输出神经元
权重:所有生成的-1到1之间的随机值(java.util.Random.nextDouble() *2-1；)
使用偏置节点：(numOfInputs +
浏览 5提问于2015-06-06得票数 3
我是AI和神经网络的新手。我读过一些关于如何在python中从头开始构建神经网络的文章，所以我决定构建自己的神经网络。 我的代码由一个没有训练函数的NN类组成，该函数在层中是动态的。但每次我用随机数测试它时，预测总是大于0.7。 我做错了什么？ 一点信息: layers_counts是每层神经元计数的整数列表，如 (第1层:5个神经元，第2层:3个神经元。-> 5、3) import numpy as np
class NeuralNetwork:
def __init__(self, inputs_count, layers_counts, bias=0):
浏览 23提问于2021-08-27得票数 0
回答已采纳
2回答
我对人工神经网络和NeuroEvolution算法都很陌生。我正在尝试实现名为NEAT (增广拓扑的NeuroEvolution)的算法，但是中的描述忽略了如何进化网络权重的方法。
连接权在任何NE系统中都会发生变异，每一次连接都会受到干扰或不受影响。
我已经做了一些关于如何在NE系统中变异权重的搜索，但不幸的是，我找不到任何详细的描述。
我知道，在训练神经网络时，通常使用反向传播算法来校正权值，但只有在经过世代固定的拓扑(结构)并且知道问题的答案时，它才能起作用。在NeuroEvolution中，您不知道答案，您只有适应度函数，所以这里不可能使用反向传播。
浏览 5提问于2015-07-29得票数 20
回答已采纳
1回答
我想知道:在多层前馈神经网络中，输入层是否应该包括一个偏置神经元，或者这在隐藏层中是有用的？如果有，原因何在？
浏览 2提问于2011-08-30得票数 10
回答已采纳
2回答
我试图在我的神经网络中添加一个偏置神经元，它使用反向传播算法。我想弄清楚我该怎么做，我应该把偏置神经元当作一个常规神经元吗？这意味着它与前一层的神经元相连？
浏览 0提问于2020-12-20得票数 1
1回答
人工神经网络绕过隐层输入
、、、
我刚刚被安排了一项任务来计算一些人工神经网络的输出，并编写一个人工神经网络。简单的事情，以前做过，所以我不需要任何帮助的一般安的东西。然而，有件事让我很困惑。在分配中，拓扑如下(不上传图表，因为这是他的知识产权)：-
2层，3个隐层，1个输出。
输入x1转到两个隐藏节点和输出节点。
输入x2转到两个隐藏节点。
问题是永远如此常见的异或。他以前没有提到过这种拓扑结构，我肯定每次演讲都听得很认真。我是个很好的学生。)
我不认为这算家庭作业，因为我不需要帮助手头的实际任务。
任何关于为什么会使用这样一个拓扑的网络的洞察力都是很棒的。
问候
浏览 3提问于2013-10-30得票数 2
回答已采纳
1回答
我正在尝试实现简单整洁。我从各种渠道了解到有4种类型的“节点”：输入神经元、隐藏神经元、输出神经元和所谓的偏置神经元。我看不出哪个过程可能会产生偏置神经元，这在第16页的this paper中有描述。 我知道在变异时可能会产生新的神经元，但它需要两个神经元之间的现有连接，这两个神经元将被这个新神经元分割(基于paper already mentioned，第10页)。然而，偏置神经元没有“输入”连接，因此它显然不能以上述方式创建。那么，详细地说，整洁是如何创造偏见神经元的呢？
浏览 27提问于2019-02-22得票数 2
回答已采纳
1回答
在一个典型的神经网络中，偏倚通常是这样添加的。
v = activation ( w1*x1+ ... + Wb*b)
但是，我不太清楚在卷积层是如何做到的。我的一个想法是，它被添加到每一个神经元的卷积操作中。对吗？
浏览 0提问于2018-09-03得票数 3
2回答
这是感知器学习模型的经典可视化，尽管我不知道它最初来自哪里。
我的问题是这个感知器有多少个神经元？我猜是N+2，N+1代表输入，另一个1代表输出。这是正确的吗？
浏览 0提问于2017-11-28得票数 0
1回答
密集层如何改变来自LSTM层的输出？从前一层的50个形状的输出中，我如何从用于预测的密集层获得大小为1的输出？假设我有一个基本模型： model = Sequential()
model.add(LSTM(50,input_shape=(60,1)))
model.add(Dense(1, activation="softmax")) 密集层是否采用来自前一层的值，并分配50个输入中每一个的概率(使用softmax函数)，然后将其作为输出？
浏览 16提问于2019-09-01得票数 1
回答已采纳
我试图对自己的神经网络进行编码，但有些东西我对偏见术语不太理解。我知道一个神经元与另一个神经元之间的每一个环节都有一个权重，但是一个偏倚和它所连接的神经元之间是否有一个权重呢？或者我能想到重量总是1，而且永远不会改变吗？
谢谢
浏览 3提问于2015-12-25得票数 2
回答已采纳
julia语言深度学习框架，这是Knet.jl，的快速入门
ENV ["COLUMNS"] = 72
using Knet, MLDatasets, IterTools
struct Conv; w; b; f; end
(c :: Conv) (x) = c.f. (pool (conv4 (c.w, x). + C.b))
Conv (w1, w2, cx, cy, f = relu) = Conv (param (w1, w2, cx, cy), param0 (1,1, cy, 1), f);
复杂类型Conv有三个字段: w、b和f。
Conv类型c (x)函数用f函
浏览 1提问于2021-02-10得票数 1
2回答
我正在编写我自己的训练算法，但我不知道如何设置偏置权。
我要在任何一层设置偏见吗？
必须在每一层更新偏置权重吗？
浏览 0提问于2016-05-27得票数 9
回答已采纳
3回答
神经网络开发
、、、
我试着写一个神经网络类，但我不完全理解它的某些方面。我有两个关于折叠设计的问题。
我做得对吗？偏置神经元需要连接到所有神经元(输入层除外)还是仅连接隐藏层中的神经元？
我的第二个问题是关于产值的计算。我用下面的方程来计算神经元的输出值。
HiddenLayerFirstNeuron.Value = (input1.Value *权重)+ (input2.Value *权重)+ (Bias.Value *权重)
在这个方程之后，我计算激活，结果发送输出。输出神经元也是如此。
我不知道我在做什么，我想解决问题。
浏览 8提问于2016-11-24得票数 0
我目前正在学习神经网络，我在互联网上看到了关于权重和输入矩阵维度的相互矛盾的解释。我只想知道是否有比其他人更多人使用的惯例。
目前，我定义了输入矩阵X，其维度为：
(男x n)
其中m是样本数，n是特征数。
我用维数来定义我的权重矩阵：
(a X b)
其中a是层中的神经元数目，b是最后一层中的神经元数。
这是常规做法还是我该改变什么？
浏览 0提问于2020-07-06得票数 1
回答已采纳
1回答
我试图理解神经网络中的偏见，但是不同的网站给出了不同的答案。
例如，一个具有5个单元的单输入层和4个单元的输出层的完全连接的神经网络中存在多少偏差？那么，一个具有5个单元的单输入层、4个单元的单个隐层和3个单元的输出层的完全连接的神经网络又如何呢？
例如，如果我正确地理解了这一点，https://ai.stackexchange.com/questions/17584/why-does-the-bias-need-to-be-a-vector-in-a-neural-network，第一个的答案应该是5，对于第二个4+ 3，除了输入层中的每个神经元都有一个偏差。
然而，在https://aye
浏览 0提问于2020-04-12得票数 1
回答已采纳
1回答
神经网络偏差
、、
我正在构建一个前馈神经网络，并试图决定如何实现偏差。我对两件事不太确定：
1)将偏差实现为节点的一个特征，而不是虚拟input+weight，有什么缺点吗？
2)如果我将它实现为一个虚拟输入，它是只在第一层(从输入到隐藏层)中输入，还是在每一层中都需要一个虚拟输入？
谢谢!
附注:我目前使用二维数组来表示层之间的权重。对其他实现结构有什么想法吗？这不是我的主要问题，只是寻找思考的食粮。
浏览 3提问于2013-05-18得票数 0
1回答
TLTR算法允许它的输入/输出层也进化激活函数，还是只使用标识？
我正在开发一个定制的NeuralNet，很大程度上是受NEAT (增强拓扑的NeuroEvolution)实现的启发。
就我的经验和知识而言，大多数网络中的输入神经元都是在不影响它们所持有的值的情况下激活的--它们只是传递它(身份函数)，输出层神经元可以有基于网络试图解决的问题的预先设定的激活函数，通常是身份、softmax或sigmoid。
对于整洁的算法，输入/输出是进化其功能，还是它们是不可改变的？
浏览 7提问于2022-02-17得票数 0
1回答
Hebbian学习
、、、
我以前问过另一个关于Hebbian学习的，我想我得到了一个很好的答案，我接受了，但是，问题是我现在意识到我完全误解了Hebbian学习，我有点困惑。
那么，您能解释一下它是如何有用的吗?有什么用呢？因为维基百科和其他一些页面描述它的方式--它没有任何意义！为什么我们要不断增加输入和输出神经元之间的权重？它可以用来解决什么类型的问题，因为当我在我的大脑中模拟它时，它肯定不能进行基本的AND、OR和其他操作(假设您将权重初始化为零，输出神经元永远不会触发，权重永远不会增加！)
浏览 0提问于2012-06-05得票数 1
回答已采纳
2回答
我正在尝试理解如何训练多层；然而，我在弄清楚如何确定合适的网络体系结构时遇到了一些问题--即网络的每一层中的节点/神经元的数量。
对于特定的任务，我有四个输入源，每个输入源可以输入三种状态中的一种。我猜这将意味着四个输入神经元触发0，1或2，但据我所知，输入应该保持二进制？
此外，我在选择隐藏层中神经元的数量时遇到了一些问题。任何评论都是很棒的。
谢谢。
浏览 0提问于2010-04-25得票数 7
回答已采纳
3回答
由于在google上找到的许多网站都使用数学表示法，而我不知道它是什么意思，所以我想做一个前馈神经网络，如下所示：
n1
i1 n3
n2 o1
i2 n4
n3
现在有人能给我解释一下如何找到o1的值吗？当一个神经元的输入都不是激活的时，怎么可能使它激活呢？
浏览 0提问于2009-01-12得票数 1
回答已采纳
假设我有一个密集层的神经网络。输入层有3个神经元，单个隐层有5个神经元，最后输出层有2个神经元。
对于第1层，3个输入进入，5个输入输出。对于第二层，来自第1层的5个输入进入，2个输入输出。那么对于第三层，会有2个输入进入，2个输入输出吗？
浏览 0提问于2021-01-10得票数 0
回答已采纳
3回答
有人能给我解释一下如何在反向传播过程中更新偏差吗？
我已经读了相当多的书，但找不到偏差更新！
我知道偏置是一个附加了权重的1的额外输入(对于每个神经元)。一定有一个公式。
浏览 3提问于2010-09-23得票数 79
2回答
我一直在用神经网络做一些研究，整个概念和理论对我来说是有意义的。虽然我还没有找到答案，但有一个问题是，一个神经网络应该使用多少个神经元。取得适当的/有效的结果。包括隐层，每个隐层的神经元，等等。更多的神经元需要更准确的结果(同时对系统造成更大的负担)，还是更少的神经元仍然足够？是否有某种管理规则来帮助确定这些数字？它是否取决于在神经网络中实现的训练/学习算法的类型。它是否取决于向网络显示的数据/输入的类型？
如果能更容易地回答这些问题，我很可能会使用前馈和反向传播作为训练和预测的主要方法。
另外，是否有一种预测算法/触发规则或学习算法通常被重新划分为“最佳/最实用”，或者这也取决于向网络显示的
浏览 4提问于2012-06-25得票数 5
感知器可以接受实值作为输入，还是只接受0和1？我很困惑，因为感知器的输出是0或1，所以我认为输入应该是二进制的。
浏览 2提问于2018-09-22得票数 0
1回答
我需要使用反向传播神经网络将卫星图像分类为3类。
有没有人能帮我在matlab中实现这个功能？
如何对具有多幅图像的神经网络进行训练和分类？
浏览 1提问于2013-02-20得票数 2
1回答
下面是一个具有一个输入层、两个隐藏层和一个输出层的神经网络的实现：
import breeze.linalg._
import breeze.math._
import breeze.numerics._
object NN extends App {
//Forward propogation
val x1 = DenseVector(1.0, 0.0, 1.0)
val y1 = DenseVector(1.0, 1.0, 1.0)
val theta1 = DenseMatrix((1.0, 1.0, 1.0), (1.0, 1.0, 0.0), (1.0, 0.0
浏览 0提问于2016-06-03得票数 1
回答已采纳
1回答
如何计算CNN的权重数？
、、、、
考虑到用于将图像分类为两类的卷积神经网络，我们如何计算权重数：
输入: 100x100灰度图像。
第一层:有607x7卷积滤波器的卷积层(stride=1，有效填充)。
第二层:具有100 5x5卷积滤波器的卷积层(stride=1，有效填充)。
第三层:一个最大的池层，它将样本层2降为4倍(例如，从500x500到250x250)。
第四层:有250个单元的致密层
第五层: 200单位的致密层
第6层:单输出单元
假设每一层都存在偏见。此外，池层有一个权重(类似于AlexNet)
这个网络有多少权重？
一些Keras代码
import keras
from
浏览 2提问于2019-12-15得票数 3
回答已采纳
2回答
这段代码中的两个Dense是什么意思？
self.model.add(Flatten())
self.model.add(Dense(512))
self.model.add(Activation('relu'))
self.model.add(Dropout(0.5))
self.model.add(Dense(10))
self.model.add(Activation('softmax'))
self.model.summary()
浏览 1提问于2017-05-03得票数 5
1回答
我将使用NEAT(Encog C#版本)分析数据。然后，我想确定学习收敛时的网络结构和网络权重。尽管我一直在阅读Encog文档，但我找不到其中的文章和示例代码。能否告诉我如何做到这一点(示例代码或其他方式)。
浏览 2提问于2016-01-04得票数 0
我创建了一个非常简单的神经网络来帮助我理解。它有一个神经元，一个输入和一个权重。这个想法很简单:给出许多介于0,200之间的随机数字，学习任何超过100的数字都是正确的，低于100的就是正确的(而不是仅仅被告知)。
import random
weight = random.uniform(-1,1)
def train(g,c,i):
global weight
weight = weight + (i*(c-g)) #change weight by error change
if(g==c):
return True
else:
浏览 7提问于2016-09-24得票数 0
回答已采纳
1回答
在深度学习中，批量归一化通常是首选的，它规范了每个层中激活函数的输出(因为来自成本函数的输出取决于输入)。
相反，如果训练集在通过层之前被规范化，这是否解决了同样的问题？
浏览 0提问于2021-06-25得票数 6
回答已采纳
4回答
我一直在阅读关于神经网络的一般知识，并试图理解其背后的基本理论。我有点困惑，想知道是否有人能帮我。
我理解神经网络的方式如下：
输入层+隐藏层+输出层，其中每个层都有节点或神经元。每个神经元从前一层的所有神经元获得输入，并发送到下一层的每个神经元。然后说，神经元计算权重之和，然后使用激活函数来激发或不触发(或发送一个介于0和1之间的数字)。
让我困惑的是它是如何计算权重之和的？
在上面的图中，我创建了一个简单的神经网络，并像Andrew在他的演讲中所做的那样，将输入称为输入(Youtube)。
因此，取第1层中的神经元a1 :这将得到0层的值a1和a2，以及相应的权重和偏差，它们将被
浏览 0提问于2018-04-18得票数 3
回答已采纳
2回答
每个神经元的神经网络偏差
、、、
我一直在关注安德鲁吴在神经网络上的视频。在这些视频中，他不把偏见与每一个神经元联系起来。相反，在计算了每一层的激活后，他在每一层的顶端都添加了一个偏置单元，并利用这种偏差以及计算来计算下一层的激活(正向传播)。
然而，在机器学习的其他一些博客和像这样的视频中，每个神经元都有一种偏见。这是什么和为什么不同，它的含义是什么？
浏览 4提问于2016-05-12得票数 14
回答已采纳
2回答
卷积层的输出形状
、、、、
我在Keras建立了一个卷积神经网络。
model.add(Convolution1D(nb_filter=111, filter_length=5, border_mode='valid', activation="relu", subsample_length=1))
根据，转换操作为每个过滤器创建一个特征映射(即激活映射)，然后将其叠加在一起。在我的例子中，卷积层有一个300维的输入。因此，我期望采用以下计算方法：
每个滤波器的窗口大小为5，因此，每个滤波器产生300-5+1=296个卷积.
由于有111个滤波器，所以应该有一个111*296的卷积
浏览 8提问于2017-05-08得票数 3
1回答
嘿，伙计们，我对神经网络很陌生。我想知道如何给出神经网络隐层和输出层中节点输出的公式。我想知道下面的答案，以及你是如何做到的。我也没能在这上面找到任何可检索的阅读材料。
假设我有一个二进制分类问题。假设我有一个有一个隐层的多层神经网络。假设我有一个由f(x)=1/(1+e^-z)给出的乙状结肠激活函数。有人知道我如何找到隐藏层中节点的输出和输出层中节点的输出公式吗？
谢谢各位，任何帮助都会很好。
浏览 4提问于2011-04-07得票数 1
1回答
我该如何添加到中，以便在网络中包含偏差？是否像在think(self, inputs)方法中的正向传递中添加+1一样简单？我如何将此解决方案推广到多层感知器？
浏览 20提问于2018-07-29得票数 0
回答已采纳
2回答
java简单神经网络设置
、、、
我已经决定在Java中尝试一些涉及神经网络的简单概念，并通过改编我在论坛上找到的一些无用的代码，我已经能够为典型的初学者的XOR模拟创建一个非常简单的模型：
public class MainApp {
public static void main (String [] args) {
Neuron xor = new Neuron(0.5f);
Neuron left = new Neuron(1.5f);
Neuron right = new Neuron(0.5f);
left.setWeight(-1.0f);
浏览 0提问于2011-01-18得票数 23
2回答
我很难看到阈值在单层感知器中的实际作用。无论阈值是多少，数据通常都是分开的。似乎较低的阈值可以更均匀地划分数据；这就是它的用途吗？
浏览 0提问于2011-07-02得票数 8
回答已采纳
1回答
我需要使用Matlab和显示分类对数据集进行分类。
数据集看起来像
我到目前为止所做的是：
我创建了一个包含一个隐层(两个神经元?？)的神经网络，也许有人可以给我一些建议，说明有多少神经元适合我的例子)和输出层(一个神经元)。
我使用了几种不同的学习方法，如Delta bar Delta、反向传播(这两种方法都是带有或-out动量和Levenberg-Marquardt的)。
这是我在Matlab中使用的代码(Levenberg-Marquardt示例)
net = newff(minmax(Input),[2 1],{'logsig' 'logsig
浏览 3提问于2011-09-12得票数 2
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
云直播活动推荐
腾讯云开发者
