首先来说说神经网络，生物的大脑神经元，细胞，触点等组成了网络，用于产生生物的意识，帮助生物进行思考和行动，可以干很多很多事情的，虽然说现在科技迅猛进步，但是目前来讲人脑依旧是最发达的，有的这些科学家啊就想让机器跟人脑一样能够干很多事情，所以就有了现在的人工智能一系列的玩意儿，而这些人工智能或者说机器学习中里用到的模型就是神经网络模型，神经网络很广泛，涉及到的知识也非常之多，学习过程是灰常灰常的痛苦。依据我的理解我用一句话来解释我对神经网络的理解就是：这有一个机器，要让它会某项技能，你就得给它灌输点东西，比如说基础知识或者说例子之类的，然后它就开始学习，学着学着就学会了，机器也不会偷懒对吧，然后你的目的就达成了。

我们今天分享的是神经网络的一种——BP神经网络，是一种按照误差逆向传播算法训练的多层前馈神经网络。什么意思？  不重要！！！会用就行

关于这个原理和步骤我在这里也就不多说了，因为真的很抽象，建立模型最终就是要建立这样：

一个 输入层—隐含层——输出层   的结构。接下来我们用一个实例来说明一下。

这里有14个运动员的运动项目数据，然后预测第15个人的跳高成绩。

第一步：对前14个人的数据进行归一化处理

第二步：模型建立

BP网络由输入层、隐层和输出层组成，隐层可以有一层或多层，网络选用S型传递函数

通过反传误差函数，

不断调节网络权值和阈值使误差函数E达到极小。

第三步：网络结构设计

1，输入层，对于这个问题总共有除跳高外8个项目所以设置8个输入层

2，隐含层，有关研究表明,有一个隐层的神经网络,只要隐节点足够多, 就可以以任意精度逼近一个非线性函数。一般来说隐含层个数L

其中，m是输入层的个数，n是输出层的个数，a是介于1到10之间的常数。

3，输出层，我们用跳高成绩作为输出层，一般输出层都是一个。

第四步：激励函数的选取

BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本文选择S型正切函数tansig作为隐层神经元的激励函数。而由于网络的输出归一到[ -1, 1]范围内, 因此预测模型选取S 型对数函数tansig作为输出层神经元的激励函数。

第五步：模型实现

将训练样本数据归一化后输入网络, 设定网络隐层和输出层激励函数分别为tansig和logsig函数, 网络训练函数为traingdx, 网络性能函数为mse,隐层神经元数初设为6。设定网络参数。网络迭代次数epochs为5000次, 期望误差goal为0.00000001, 学习速率为0. 01。设定完参数后, 开始训练网络。

第六步：反归一化处理

这一步与第一步对应，我们最后得到的值是在[-1,1]之间的一个值，所以，为了还原以前的值，需要用postmnmx()函数进行一下处理。最后就能得到结果。

话不多说，上代码：

P=[3.2 3.2 3 3.2 3.2 3.4 3.2 3 3.2 3.2 3.2 3.9 3.1 3.2;9.6 10.3 9 10.3 10.1 10 9.6 9 9.6 9.2 9.5 9 9.5 9.7;3.45 3.75 3.5 3.65 3.5 3.4 3.55 3.5 3.55 3.5 3.4 3.1 3.6 3.45;2.15 2.2 2.2 2.2 2 2.15 2.14 2.1 2.1 2.1 2.15 2 2.1 2.15;140 120 140 150 80 130 130 100 130 140 115 80 90 130;2.8 3.4 3.5 2.8 1.5 3.2 3.5 1.8 3.5 2.5 2.8 2.2 2.7 4.6;11 10.9 11.4 10.8 11.3 11.5 11.8 11.3 11.8 11 11.9 13 11.1 10.85;50 70 50 80 50 60 65 40 65 50 50 50 70 70];T=[2.24 2.33 2.24 2.32 2.2 2.27 2.2 2.26 2.2 2.24 2.24 2.2 2.2 2.35];[p1,minp,maxp,t1,mint,maxt]=premnmx(P,T);%归一化处理net=newff(minmax(P),[8,6,1],{'tansig','tansig','purelin'},'trainlm');%创建网络，表示有输入层8层，隐层6层，输出层1层net.trainParam.epochs = 10000;%设置训练次数net.trainParam.goal=0.0000000000000001;%设置收敛误差[net,tr]=train(net,p1,t1);%训练网络a=[3.0;9.3;3.3;2.05;100;2.8;11.2;50];%输入数据a=premnmx(a);%归一化处理b=sim(net,a);%放入网络中，输出1数据c=postmnmx(b,mint,maxt);%反归一化处理disp('模拟值为：')c

没有具体的跟大家分享原理，大家可以自己去找相关资料进行详细了解。

本期内容就到此结束啦，感谢您的阅读，快快关注公众号“树仁阅读”

创作属实不易，点个关注，点亮在看，帮忙转发一下增长人气也是非常感谢！树仁巧说与您下期再见！