神经网络编码中隐含层数怎么看出来的。

实例：（只有一个隐含层）

P=[-1,-2,3,1;-1,1,5,-3];

T=[-1,-1,1,1];

net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm');

inputWeights=net.IW{1,1};inputbias=net.b{1};

layerWeights=net.LW{2,1};layerbias=net.b{2};

net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3;

[net,tr]=train(net,P,T);

A = sim(net,P)

E = T - A;

MSE=mse(E)

figure;plot((1:4),T,'-*',(1:4),A,'-o')

（两个隐含层）

P=[-1,-2,3,1;-1,1,5,-3];

T=[-1,-1,1,1];

[pn,minp,maxp,tn,mint,maxt]=premnmx(P,T)

dx=[-1,1;-1,1];

net=newff(dx,[2,10,1],{'tansig','tansig','purelin'},'trainlm');

inputWeights=net.IW{1,1};inputbias=net.b{1};

layerWeights=net.LW{2,1};layerbias=net.b{2};

net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3;

[net,tr]=train(net,P,T);

A = sim(net,P)

E = T - A;

MSE=mse(E)

figure;plot((1:4),T,'-*',(1:4),A,'-o'）

（隐含层一般选择一个就好，只有存在奇异值时进行归一化较好，比如p【1,2,3,68；2,3,4,78】，但最后应该把输入值归一化，输出值反归一化）

这两个程序的隐含层数怎么看出来的啊，看不懂

不是怎么确定隐含层数

这是我找到的神经网络的变成

还有就是做怎么把灰色预测和神经网络结合在一起。。。看过一些论文

是用灰色预测把拟合值做出来然后求残差，用残差做输入样本吗？

求助啊。。。

Answer 1

[higoray]

net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm');

net=newff(dx,[2,10,1],{'tansig','tansig','purelin'},'trainlm');

红字部分，输入层不算一层，最后一个是代表输出层

所以看红字部分，除了最后一个释出出层，其余的就是隐藏层