神經網路激勵函數

㈠ BP神經網路matlab工具箱中的激勵函數（傳遞函數），訓練函數，學習函數

激勵函數用於神經元由輸入計算輸出的，而訓練函數和學習函數是基於誤差，來版修改權值權和閾值的，再就完成了一次訓練，然後繼續迭代，知道達到迭代次數或滿足精度。
然而，學習函數和訓練函數的功能貌似很相近，至於具體區別，正在糾結著我呢

㈡ 神經網路激勵函數的作用形象的解釋是什麼

神經網路中的每個節點接受輸入值，並將輸入值傳遞給下一層，輸入節點會將輸入屬性值直宏模接傳遞慎猛給下一層（隱層或輸出層）。在神經網路中，隱層和輸出層節點的輸入和輸出之間具有函數關系，這個函數稱為激勵函數。常見的激勵函數有：線性激勵函數、閾值或階躍激勵函數、S形激勵函數、雙曲正切激勵函數和高斯激勵函數等。求取激勵函數逆函數積分和的目的是為了配合所設計的能量函數的數值計算，但是該值得求取具有以下困難：逆函數無法用數學解析表達；要對逆函數積分並不容易；即使可以積分，也會很浪費時間，不適宜在演算法迭代中直接使用。為了解決上述問題，這里將以64QAM信號的激勵函數為例來闡述求取改該值的方法：利用正函數，求關於逆函數的積分；利用Cumtrapz求在區間段的積分采樣值；利用多項式進行最小二乘回歸，獲得回歸函數的回歸擬合曲線。只要預先獲得激勵函數的逆函數積分和，就可以很容易地構造出對應的搜索表，然後在迭代中直接採用查表方法獲得相應的值，或者可以根據擬合回歸函數進行近似計算逆函數積分和的值。寬絕橋求取激勵函數逆函數積分和的目的是為了配合所設計的能量函數的數值計算，但是該值得求取具有以下困難：逆函數無法用數學解析表達；要對逆函數積分並不容易；即使可以積分，也會很浪費時間，不適宜在演算法迭代中直接使用。

㈢ 在搭建神經網路的時候，如何選擇合適的轉移函數（

一般來說，神經網抄絡的激勵函數有以下幾種：階躍函數 ，准線性函數，雙曲正切函數，Sigmoid函數等等，其中sigmoid函數就是你所說的S型函數。以我看來，在你訓練神經網路時，激勵函數是不輕易換的，通常設置為S型函數。如果你的神經網路訓練效果不好，應從你所選擇的演算法上和你的數據上找原因。演算法上BP神經網路主要有自適應學習速率動量梯度下降反向傳播演算法(traingdx)，Levenberg-Marquardt反向傳播演算法(trainlm)等等，我列出的這兩種是最常用的，其中BP默認的是後一種。數據上，看看是不是有誤差數據，如果有及其剔除，否則也會影響預測或識別的效果。

㈣ Matlab中如何自定義神經網路的激勵函數

建立神經網路：
net=newff(minmax(P),[30,7],{'tansig','logsig'},'traingdx');
其中，隱含層有30個節點，激勵函孫喚數茄局為：tansig; 輸出層有7個則納凱節點，激勵函數：logsig;學習函數：traingdx.

㈤ 神經網路激勵函數的作用是什麼有沒有形象的解釋

以我個人的理解，神經網路會有很多數據輸入，歷蘆激活函數有兩個作用，第一是因為實際數據會有雜訊，為了讓雜訊對下一層的影響較小，採用激活函數可以磨爛灶抑制邊緣奇異性較大的數據，第二個作用就是對前一層輸出值進行約束，這就好比人一樣，我們的身高在1-3米之間瞎扮，加入計算中計算出了一個非常誇張的數，就可以用激勵函數約束（一般訓練初時病態比較嚴重）在1-3米之間，常用的雙極型函數就是把數據都約束在-1到1的超球體內。

㈥ 神經網路的隱含層和輸出層都有激勵函數嗎，激勵函數可以任意選嗎，權值調整用的函數和激勵函數有關嗎

當然都來有激勵函數了，源激勵函數理論上是可以任意選，但是在實際應用的時候並不是任何函數都適合。常用的激勵函數有三種：閾值型、線性型和Sigmoid型。

權值的調整和所選的激勵函數有關，因為你要把各層上的數據代入激勵函數進行運算，不同的激勵函數結果肯定也不一樣。就像兩個不同的函數，將同一個x值代入結果當然不一樣。