BP神經網絡三個主要特點？

BP神經網絡有以下三個特點:

(1)網絡由多層組成，各層都是連通的，同一層的神經元是不連通的。

(2)2)BP網絡的傳遞函數必須是可微的。所以感知器的二元函數不能用，一般用Sigmoid函數，分為Log-Sigmoid和Tan-Sigmoid函數。x的范圍包括整個實數域，函數值在0到1之間。在實際應用中，可以添加參數來控制曲線的位置和形狀。

Sigmoid函數可以將輸入的范圍從負無窮大映射到正無窮大(-1，1)和(0，1)之間，具有非線性放大作用。

(3)誤差反向傳播學習。在BP網絡中，數據從輸入層通過隱藏層反向傳播。當訓練網絡權重時，網絡連接權重從輸出層通過中間層朝著減少誤差的方向向前修正。

BP神經網絡為什么要初始化權值和閾值？

有一個默認的閾值和偏差，可以打開自己的功能查看。

什么是基于神經網絡？

1.什么是神經網絡？

神經網絡是按照一定規則連接多個神經元的網絡。

例如，全連接的FC)神經網絡，其規則包括:

有三層:輸入層、輸出層和隱藏層。

同一層的神經元之間沒有聯系。

全連接的含義:第N層的每個神經元與第N-1層的所有神經元連接，第N-1層神經元的輸出是第N層神經元的輸入。

每個連接都有一個權重。

不同的神經網絡有不同的連接規則。

bp神經網絡如何計算權值和閾值？

首先我們需要明白，BP神經網絡是一個多層前饋網絡。看matlab中BP神經網絡的訓練功能，有梯度下降法traingd，彈性梯度下降法trainrp，自適應lr梯度下降法traingda等等。

因為初始值(初始權重和閾值)在向量X中，所以x(n，1)的長度n為:ninputnum*hiddennumhiddennum*outputnumoutputnum。

其中inputnum*hiddennum為輸入層到隱層的權值個數，hiddennum為隱層神經元個數(即隱層閾值個數)，hiddennum*outputnum為隱層到輸出層的權值個數，outputnum為輸出層神經元個數(即輸出層閾值個數)。

結構

BP網絡在輸入層和輸出層之間增加幾層(一層或多層)神經元。這些神經元被稱為隱藏單元，它們與外界沒有直接聯系。但其狀態的變化可以影響輸入輸出的關系，每一層可以有幾個節點。

BP神經網絡的計算過程由正向計算過程和反向計算過程組成。在前向傳播過程中，輸入模式從輸入層經過隱單元層逐層處理，轉向輸出層。每層神經元的狀態只影響下一層神經元的狀態。如果期望的輸出可以t在輸出層獲得，誤差信號將沿著原始連接路徑返回，并且通過修改每個神經元的權重來最小化誤差信號。