㈠ [请教]RBF神经网络预测的结果很奇怪
你好，我在做神经网络的时候也遇到相同的问题。后来发现时自己的输入数据在训练阶段和检验阶段格式不一致导致的。我用的是经纬度作为输入因素，训练阶段是“经度+纬度”，检验阶段也就是sim的时候用的是“纬度+经度”。希望能够对你有所启发
㈡ 神经网络异常检测方法和机器学习异常检测方法对于入侵检测的应用
神经网络异常检测方法神经网络入侵检测方法是通过训练神经网络连续的信息单元来进行异常检测，信息单元指的是命令。网络的输入为用户当前输入的命令和已执行过的W个命令；用户执行过的命令被神经网络用来预测用户输入的下一个命令，如下图。若神经网络被训练成预测用户输入命令的序列集合，则神经网络就构成用户的轮郭框架。当用这个神经网络预测不出某用户正确的后继命令，即在某种程度上表明了用户行为与其轮廓框架的偏离，这时表明有异常事件发生，以此就能作异常入侵检测。
上面式子用来分类识别，检测异常序列。实验结果表明这种方法检测迅速，而且误警率底。然而，此方法对于用户动态行为变化以及单独异常检测还有待改善。复杂的相似度量和先验知识加入到检测中可能会提高系统的准确性，但需要做进一步工作。
㈢ 急求BP神经网络算法应用于异常数据识别，用java实现！！！
BP（Back Propagation）神经网络是86年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。
附件是一个应用BP神经网络进行数据分类的java例子，可供参考。
㈣ 神经网络的关键是什么
神经网络的关键是什么
相对于传统的线性和非线性方法，为什么神经网络会如此强大？
当你有一个线性模型，每一个功能要么对你有帮助，要么对你有伤害，这种假设是线性模型中固有的。因此线性模型要么功能异常强大，用类1表示；要么则毫无用处，用类2表示。所有的解决方案，要么导致该功能获得巨大的价值；要么价值变得微不足道。你永远不会有这么一个状态说，在这个区间，该功能就是代表类1；但是在另一个区间，它代表类2。
线性和非线性方法局限性很大。也就是说，如果你分析图片，举个例子，寻找狗狗的照片，它很可能会进入到一个特定的子集里面，比如只显示有一只狗的照片，或是显示某一像素和其他类型的图片。在线性模式里面，你无法确定复杂的关系集。相比于线性模型，非线性模型可能会显得更强大一些，但是这种模式同样难以训练。我们会再一次进入到所谓最优化理论的问题之中，这也是我们在很长一段时间里认为神经网络还不是足够好的原因之一，因为他们会“过拟合”，通俗的说，就是太过强大。我们无法做预测，也无法确保最优化方案。或许，这可能就是为什么神经网络从当下暂时消失的原因吧。
在神经网络理论中，机器学习有很多分支和方法，你能总结一些关键方法吗？
到目前为止，最成功的方法是监督学习方法，它使用了一个比较老的算法，称为反向传播，构建了一个拥有许多不同输出的神经网络。
让我们看下一个神经网络构建，这个网络已经非常流行了，叫做卷积神经网络。这个理念是机器学习研究人员构建了一个多层架构的模型，每一层都可以用不同的方法处理之前一层的连接。
在第一层，你有一个窗口，上面会给图像分配权值，它也变成了该层的输入。由于权值“卷积”，该层也被称为卷积层，它会自我重叠。接着后面会有若干个不同类型的层，每层都有不同的属性，绝大多数都是非线性的。
最后一层会有1万个潜在神经元输入，那些激活的神经输出，每一个都对应了一个特殊的标签，可以用来识别图像。第一类可能是一只猫，第二类可能是一辆车，以此推到所有一万个类，这样一张“图像网”就出来了。如果第一个神经元（一只猫）与1万个神经元中绝大多数都匹配，那么这张图像就能被识别出来，是一张猫的图像。
这种监督学习方法的缺点是，在训练的时候，你必须要在图像上应用标签，这是一辆车，这是一个动物园等。
没错，那么无监督学习方法呢？
无监督学习方法还不是那么受欢迎，它涉及到“自编码器”。这种神经网络不会用来分类图像，但是可以压缩图像。同我刚才提及的方法来读取图像，识别一个权值，并在一个卷积层内用像素填满。其他若干层也这样，包括相比于其它层小的多的中间层。这样做的话，相关的神经元会变得很少，基本上，你读取图像时会进入到一个瓶颈，之后从另一边走出来，并尝试重新构建该图像。
在无监督学习训练下，不需要打标签，因为你所做的就是把图像放入到神经网络的两端，然后训练网络适应图像，特别是训练中间层。一旦你这么做了，那么就拥有了一个知道如何压缩图像的神经网络。无监督学习方法可以给你提供能应用在其他分类器的功能，因此如果你有哪怕一点点标签训练数据，没问题，它一样可以为你提供大量图像。你可以把这些图像看做是无标签训练数据，并使用这些图像构建一个“自编辑器”，然后从这个自编辑器中导出一些功能，这些功能适合使用一些训练数据，以此找到对特殊模型敏感的自动编码神经网络中的神经元。
㈤ 神经网络的高度鲁棒性是什么意思
一个神经网络是一种根据相近相似原则的非线性分类器，其鲁棒性我认为指的是对个别异常点的反应不敏感，即个别异常点对分类器设计(神经网络的连接权)的影响不大。
㈥ 神经网络优缺点，
首先来看一下神经网络的缺点：
1. 黑盒子
神经网络最可能被人知晓的缺点是它们的“黑盒子”性质（也就是说你不知道神经网络是如何以及为什么会产生一定的输出）。例如，当你将一张猫的图像放入神经网络，预测结果显示它是一辆汽车时，这让人很难理解。而在某些领域，可解释性非常重要。
很多银行之所以不使用神经网络来预测一个人是否有信誉，是因为他们需要向客户解释为什么他们没有获得贷款。像Quora这样的网站也是如此。如果他们因为机器学习算法而决定删除用户账户，他们需要向用户解释为什么这样做。
如果将机器学习运用与重要的商业决策时，你能想象一个大公司的首席执行官会在不明白为什么应该完成的情况下做出数百万美元的决定吗？仅仅因为“计算机”说他需要这样做？
2. 发展的可持续时间
虽然有像Keras这样的库，让神经网络的开发变得相当简单，但有时您需要更多地控制算法的细节。您可能还会使用到Tensorflow，但是由于它相对复杂，开发需要的时间也更长。对于公司管理层来说，如果用简单的算法就可以更快地解决问题，则让他们花高昂的费用和较长的时间去开发一些东西，显然是不合适的。
3. 数据量
与传统的机器学习算法相比，神经网络通常需要更多的数据，至少需要数千数百万个标记样本。而如果使用其它算法，许多机器学习问题可以用较少的数据很好地解决。
虽然在某些情况下，神经网络需要处理少量数据（大多数情况下它们不需要）。而像朴素贝叶斯这样的简单算法也可以很好地处理少数数据。
4. 计算代价高昂
通常，神经网络比传统算法的计算代价更高。对于最先进的深度学习算法，完成深度神经网络从头到尾的完整训练，可能需要几周的时间。而大多数传统的机器学习算法则只需要少于几分钟到几个小时或几天的时间即可。
神经网络所需的计算能力很大程度上取决于数据的大小，同时也取决于网络的深度和复杂程度。
然后就是神经网络的优点：
ANN 有能力学习和构建非线性的复杂关系的模型，这非常重要，因为在现实生活中，许多输入和输出之间的关系是非线性的、复杂的。
ANN 可以推广，在从初始化输入及其关系学习之后，它也可以推断出从未知数据之间的未知关系，从而使得模型能够推广并且预测未知数据。
与许多其他预测技术不同，ANN 不会对输入变量施加任何限制（例如：如何分布）。此外，许多研究表明，ANN 可以更好地模拟异方差性，即具有高波动性和不稳定方差的数据，因为它具有学习数据中隐藏关系的能力，而不在数据中强加任何固定关系。这在数据波动非常大的金融时间序列预测中非常有用。
神经网络的发展主要为：启蒙时期（1890-1969），低潮时期（1969-1982），复兴时期（1982-1986），新时期（1986至今）
㈦ 关于神经网络 需要学习python的哪些知识
最基础的部分的话需要：线性代数，机器学习，微积分，优化等等。
几乎所有操作都有矩阵运算，所以至少最基础的线性代数需要掌握
建议从单一的感知机Perceptron出发，继而认识到Decision Boundary(判别边界),以及最简单的一些“监督训练”的概念等，有机器学习的基础最好。就结果而言，诸如“过拟合”之类的概念，以及对应的解决方法比如L1 L2归一，学习率等也都可以从单个感知机的概念开始入门。
从单层感知器推广到普通的多层感知器MLP。然后推广到简单的神经网络（激活函数从阶跃“软化”为诸如tanh等类型的函数），然后引入特定类型的网络结构，比如最基本的全连接、前向传播等等概念。进而学习训练算法，比如反向传播，这需要微积分的知识（Chain rule）,以及非线性优化的最基础部分，比如梯度下降法。
其次至少需要具备一些适用于研究的编程语言的技能，例如python，matlab，（C++也可行）等，哪怕不自己实现最简单的神经网络而是用API，也是需要一定计算机能力才能应用之。
㈧ 发现训练出来的BP神经网络错误怎么办
。。。怎么归类到篮球了。
给的信息太少了点，可能很多。你的样本少不少，和不合适。是不是over-train了？