神经网络中可以改变的有：

1、各神经元的权值

2、bias，广义上，也是权值

3、激活函数

4、神经网络的层数

5、各层神经元的个数

6、神经网络的连接结构

7、输入输出的格式和质量

下面我们一项一项进行说明，如何改变这些参数

一、权值

权值的改变分为 有监督的学习 和 无监督的学习

1、有监督的学习Supervised Learning

给定许多样本（包含输入与输出），将输入数据通过神经网络后，产生的实际输出和期望输出进行比较，通过差值逐步调整各神经元的权值和bias，两个问题：

（1）期望输出是什么？

期望输出就是给定的样本的输出，而实际输出就是输入经过神经网络后产生的输出

（2）各权值初始化的值为多少？

初始化权值随机分配，比如C语言中利用rand()函数(随机产生0-RAND_MAX之间的数)，初始化权值为-1到1之间：w[i][j]=rand()*2.0/RAND_MAX-1;

2、无监督的学习UnSupervised Learning

大概思想是：当两个神经元同时处于激发状态时两者间的连接权会被加强，否则被减弱。

注：关于训练算法有以下这些：

BP算法、...（留待后续补充）

......

算法多多，就像C语言中一个排序就有那么多算法一样，神经网络的训练算法有这么几种也不足为奇。

二、激活函数

(1) 线性函数 ( Liner Function )

Matlab中可以使用：purelin函数

(2) 阈值函数 ( Threshold Function )

Matlab中可以使用：hardlim和hardlims函数，值域分别为[0,1]和[-1,1]

(3) S形函数 ( Sigmoid Function )

Matlab中可以使用：logsig函数

(4) 双极S形函数

Matlab中可以使用：tansig函数

(5)后续补充...

......

三、输入输出的质量和格式

输入输出数据的质量：保证输入数据准确完整等等就行，这里不做深入讲解，具体可以看看数据预处理。

输入输出数据的格式：这里涉及到的就是数据的归一化问题，这里简单说一下。

1、什么是归一化？

归一化就是利用一定的算法，将输入输出数据归一化到[0,1]或者[-1,1]之间

2、为什么要归一化？

（1）输入输出的单位不一样(比如输入是温度，输出是电流)，范围不一样(比如输入数据之间数值相差很大)，会导致神经网络的收敛速度变慢、训练时间变长；

（2）数据范围大的输入在模式分类中的作用可能会偏大，而数据范围小的输入作用就可能会偏小；

（3）激活函数本身的输出是有范围的，比如用sigmoid函数，其值域范围为[0,1]，这样就要求必须将输出数据映射到[0,1]上面，也就是输出数据的归一化问题；

（4）sigmoid函数在[-5,5]范围之外偏向饱和，函数值之间差别太小，很难进行训练，比如f(5)和f(100)只相差0.0067，因此，我们取有效区间[-1,1]，将输入数据映射到[-1,1]

上面，方便进行训练，这也就是输入数据的归一化问题；

3、如何进行归一化？

（1）y = ( x - min )/( max - min)，那么数据x就化简到[0,1]之间了。（编程中，可以y = ( x - min + A )/( max - min - A)，加上A防止分母为0）

（2）y = 2 * ( x - min ) / ( max - min ) - 1，那么数据x就化简到[-1,1]之间了。（C编程中，可以采用 y = rand()*2.0/RAND_MAX-1）

浅谈神经网络（二）