《为什么BP神经网络每次运算结果不一样》由会员分享，可在线阅读，更多相关《为什么BP神经网络每次运算结果不一样（1页珍藏版）》请在装配图网上搜索。
1、神经网络每次结果不同的原因解析 神经网络每次结果不同是因为初始化的权值和阈值是随机的 因为每次的结果不一样，才有可能找到比较理想的结果啊 找到比较好的结果后，用命令save file name net保存网络，可使预测的结果不会变化 ，调用时用命令 load filename net; 取 p_test= ;t_test= ; t=sim(net,p_test); err=t_test-t;plot(p_test,err); 选择误差小的保存网络save filename net以后调用时load filename net p_test= ;t_test= ; t=sim(net,p_test
2、); err=t_test-t;plot(p_test,err):因为每次初始化网络时都是随机的， 而且训练终止时的误差也不完全相同， 结果 训练后的权植和阀也不完全相同(大致是一样的) ，所以每次训练后的结果也略 有不同举个例子， 这样初始化就能使网络的输出结果是一样的 ，另外也可以给网络特定 的权值，一种方法是把预测结果后的效果比较好的权值做为初值p=0.8726 0.9441 0;0 0 0.7093;0.7378 0.7093 0.3795;0.6416 0.3795 0.7031;1 0.7031 0.4241;0.7774 0.4241 0.9559;0.9559 0.5012 0
3、.7052;.0.8209 0.7052 0.4983;0.6011 0.4983 1; t=0 0.7378 0.6416 1 0.7774 0.5012 0.8209 0.6011 0.9350; rand(state,0);net=newff(minmax(p),6,1,tansig,logsig,trainlm); net.trainParam.epochs=2000;net.trainParam.goal=0.001;net=train(net,p,t); y=sim(net,p); error=y-t;res=norm(error); p_test=0.9350 1 0.6236;
4、t_test= 0.8027a=sim(net,p_test) rand(state,0);这个的作用是每次初始化一样 0是种子数 ,如果换成其他数 ,就可以产生不同的随机值 注：ran d(state,O);的使用有点为结果相同而相同，至于这样的结果网络性能是否 达到好的要求则没有考虑，建议还是不要用这种方法使每次结果相同用保存网络的方法吧 消除初值影响可以考虑的另一个方法是简单集成神经网络 原理 由于选择不同的权值所得结果不同，使最终神经网络泛化能力体现出一定的随机 性。利用这个特性也可以改善神经网络的泛化能力， 神经网络集成便是利用这种 思路的体现，即先训练一组只有初始权值不同的子网，然后通过各子网 “表决 （Voting）” 的形式（如加权和）得到学习系统的输出。当神经网络集成用于分类器时，集成的输出通常由个体网络的输出投票产生。 通 常利用绝对多数投票法（某分类成为最终结果当且仅当输出结果为该分类的神经 网络的数目最多）。理论分析和大量实验表明，后者优于前者。因此，在对分类 器进行集成时，目前大多采用相对多数投票法。当神经网络集成用于回归估计时，集成的输出通常由各网络的输出通过简单平均 或加权平均产生。 Perrone 等人认为，采用加权平均可以得到比简单平均更好的 泛化能力。
为什么BP神经网络每次运算结果不一样
