本文目录一览：
人工神经网络具有自学习、自组织、自适应以及很强的非线性函数逼近能力...
1、人工神经网络就像一个黑盒子，用于模拟任意函数。根据一定的训练样本（即所需模拟函数已知的输入和输出关系）神经网络可以改变其内部结构使其模型特性逼近训练样本。即所谓的自学习，自组织和自适应。
2、（3）非常定性：人工神经网络具有自适应、自组织和自学习的能力。神经网络处理的信息不仅会发生变化，而且非线性动态系统本身也在发生变化。迭代过程通常用来描述动态系统的演化。
3、第一，具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。
4、人工神经网络具有自学习、自组织、自适应和很强的非线性函数逼近能力，并具有很强的容错能力。它可以实现仿真、预测和模糊控制功能。它是处理非线性系统的有力工具。它是物流伙伴选择方法中伙伴选择的神经网络算法的别称。
人工神经网络与回归模型的联系和区别
逻辑回归是一个单层神经网络，计算非常快速，在使用OvR和MvM这样需要同时建立多个模型的方 法时，运算速度不会成为太大的问题。
神经网络是人脑的抽象计算模型，我们知道人脑中有数以百亿个神经元（人脑处理信息的微单元），这些神经元之间相互连接，是的人的大脑产生精密的逻辑思维。
在神经网络中，每个处理单元事实上就是一个逻辑回归模型，逻辑回归模型接收上层的输入，把模型的预测结果作为输出传输到下一个层次。通过这样的过程，神经网络可以完成非常复杂的非线性分类。神经网络的应用。
不同的人工神经网络模型可以用于解决不同类型的问题。例如，卷积神经网络可以用于图像识别，而循环神经网络可以用于语音识别和时间序列预测。
BP神经网络可以用于拟合函数吗
1、用BP神经网络可以拟合曲线的。下图就是用sim( )函数对BP网络进行仿真。
2、隐层数一般认为，增加隐层数可以降低网络误差（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。
3、可以看到，里面使用了feedforwardnet()函数，这是建立BP神经网络的新函数，用以替代newff()函数。
4、Warning： PREMNMX is an obsolete function.Warning： NEWFF used in an obsolete way.PREMNMX和NEWFF在高版本中，这两个函数已经被取代或者调用格式发生了变化。另外，相同的设置，每次运行的结果也会不同。
5、首先采用遗传算法来优化BP神经网络的权值和阈值，然后将这些优化值赋给网络得到优化的BP神经网络，最后用MATLAB仿真平台，对非线性函数的逼近拟合和极值寻优问题进行实验。
为何在神经网络中不使用多项式函数
1、由于小黄人没有学过梯度下降法(一种凸函数优化算法，不懂也没关系，现在用不到)，所以它只能使用...”随机尝试法“。 小黄人从参数w=2，b=2，开始，以步长为1进行随机尝试。
2、relu函数只能用于网络的中间层，最后一层采用relu会将分类问题变为值为0以上的回归问题，因此最后一层请采用tanh或sigmoid函数。
3、非线性激活函数可以拓展神经网络的表达能力。如果用线性激活函数，多层的神经网络和单层的就没有区别，只能表达线性逻辑。
4、理论上讲任何一个连续的非多项式、常数函数都可以做为BP的激活函数，而且这都是已经在数学上证明过的问题。但sigmoid函数相对其他函数有它自身的优点，比如说光滑性，鲁棒性，以及在求导的时候可以用它自身的某种形式来表示 。
5、严格来说的话 ReLU算是分段线性函数。中间隐层激活函数采用线性函数（例如恒等变换）不好是因为，最后算下来多层网络跟单层网络一个效果。其实 激活函数的存在是为了神经网络更好的拟合目标函数而已。
