BP神经网络 VB

我有VC编的BP神经网络程序，没有VB的。

bp神经网络需要多少数据 bp神经网络算法详解bp神经网络需要多少数据 bp神经网络算法详解


bp神经网络需要多少数据 bp神经网络算法详解


bp神经网络需要多少数据 bp神经网络算法详解


神经网络主要是用计算机通过编程实现模拟人脑的功能，它可以实现辨识和预测两种基本功能。你说的神经网络预测功能，这需要产品销售量的历史数据。如说你有800组数据，其中的700组会用来作为你的训练数据，剩下的100组就作为你的测试数据。这800组数据都是由你的输入和输出数据组成，在训练数据时要将输入输出两种数据同时输入到程序中。训练完后，只将剩下的100组数据中的输入数据放入程序中，运行训练好的神经网络，预测这100组数据中的输出数据。后进行误分析，从而可以知道你的神经网络的预测效果。

bp神经网络预测模型预测民航客运量需要什么数据？

要进行民航客运量的预测，通常需要以下数据：

历史客运量数据：收集过去一段时间（例如几年或几个季度）的实际客运量数据，包括乘客数量、航班次数等。这些数据可以作为模型的训练数据，用于学习和建模。

时间特征：将时间作为一个特征进行建模是很常见的，因为民航客运量通常存在季节性和周期性的变化。例如，可以使用年份、季节、月份、星期几等时间特征来捕捉这种变化。

经济指标：经济状况对民航客运量有很大影响。因此，收集与经济相关的指标数据，如国内生产总值（GDP）、消费者信心指数、失业率等，可以帮助预测客运量的变化趋势。

航空相关数据：与航空运输相关的数据也是重要的预测因素。例如，航空公司的运力情况、航班网络、航线数量、机场容量等数据可以作为预测模型的输入。

其他影响因素：还可以考虑其他可能影响客运量的因素，如天气状况、节日、特殊等。

根据数据的可用性和需求，您可以选择合适的特征和数据源，建立适当的BP神经网络模型来预测民航客运量。重要的是要选择具有预测能力的特征，并进行数据的预处理和归一化，以提高模型的准确性和可靠性。

bp神经网络

BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误逆传播算法训练的多层前馈网络，是目前应用广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-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，使网络的误平方和小。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)。

人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。

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手写“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。

如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。

如图所示拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层、中间层（也称隐层）和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，构成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。

神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。主要的研究工作集中在以下几个方面：

（1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。

（2）建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。

（3）网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。

（4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。

纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。

神经网络可以用作分类、聚类、预测等。神经网络需要有一定量的历史数据，通过历史数据的训练，网络可以学习到数据中隐含的知识。在你的问题中，首先要找到某些问题的一些特征，以及对应的评价数据，用这些数据来训练神经网络。

虽然BP网络得到了广泛的应用，但自身也存在一些缺陷和不足，主要包括以下几个方面的问题。

首先，由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。

其次，BP算法可以使权值收敛到某个值，但并不保证其为误平面的全局小值，这是因为采用梯度下降法可能产生一个局部小值。对于这个问题，可以采用附加动量法来解决。

再次，网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。

后，网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。但是可以将预测、分类或聚类做的比较好的权值保存。

请采纳。

BP神经网络模型各个参数的选取问题

样本变量不需要那么多，因为神经网络的信息存储能力有限，过多的样本会造成一些有用的信息被丢弃。如果样本数量过多，应增加隐层数或隐层数目，才能增强学习能力。

一、隐层数

一般认为，增加隐层数可以降低网络误（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。一般来讲应设计神经网络应优先考虑3层网络（即有1个隐层）。一般地，靠增加隐层数来获得较低的误，其训练效果要比增加隐层数更容易实现。对于没有隐层的神经网络模型，实际上就是一个线性或非线性（取决于输出层采用线性或非线性转换函数型式）回归模型。因此，一般认为，应将不含隐层的网络模型归入回归分析中，技术已很成熟，没有必要在神经网络理论中再讨论之。

二、隐层数

在BP 网络中，隐层数的选择非常重要，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数有时相几倍甚至上百倍。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，确定隐层数的基本原则是：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数。研究表明，隐层数不仅与输入/输出层的数有关，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。

BP神经网络的训练集需要大样本吗？一般样本个数为多少？

这要看做什么用了

只要训练样本的规律性很好的话那自然越多越好，如果不能满足一致规律的话多了反而有害，就比如拿着时候的数据解决时的问题，但不能用来解决2010年世博会问题一样。

还有就像楼上说的需要保留一些样本作为测试用，BP网络的话如果是分类问题可以保留10%左右吧，如果是预测问题的话5%应该就足够了，因为BP的预测能力的确有点弱，只适合预测离训练样本比较近的数据，这也是我自己的理解，呵呵。

这个没有明确要求，样本也不是越多越好。

通常情况下，你的样本可以一部分用来做验证。

加速你有100个样本，90%用来做训练，10%用来做验证等，当然，有时候还得留下10%做测试用。

我个人的经验是，样本数尽量在10以上吧。

用MATLAB与BP神经网络法处理15组数据,共60个数据,需要多长时间

训练时长取决于训练算法、训练目标、样本数量和网络规模。你的样本只有15组，数量较少，一般几秒钟就能训练完成。

若从速度的角度出发，人脑神经元之间传递信息的速度要远低于计算机，前者为毫秒量级，而后者的频率往往可达几百兆赫。但是，由于人脑是一个大规模并行与串行组合处理系统，因而，在许多问题上可以作出快速判断、决策和处理，其速度则远高于串行结构的普通计算机。人工神经网络的基本结构模仿人脑，具有并行处理特征，可以大大提高工作速度。

BP神经网络神经元个数求助

据我多年的神经网络实践经验，这个根据你训练数据集的取值类型个数，如果你的训练数据仅限于0-10个数，注意这不是训练数据的个数，而是取值范围，那么你的神经元个数应该是这些个数2，哈哈哈哈哈哈哈哈