Question

BP神经网络预测，预测结果与样本数据的理解。

朋友让看一个BP神经网络的程序。由样本数据（如图1），数与数之间有空格隔开，共8个样本数据。导入程序进行预测，其中有关BP神经网络的参数设置为（如图2），经过训练后，预测出一个结果数据文件（如图3）。
由于对BP神经网络不是特别熟悉，所以求大神解答一下，这样的预测结果和样本是怎样的对应关系？这样的预测结果代表着什么？
若能解答，万分感谢。
图1
图2
图3





Answer 1

输入节点数是3，说明输入向量的行数m=3，你给的样本只有1行，是不是不全？输出节点只有一个，说明每3个输入数据对应一个预测的输出数据。
其实样本数量很少，就不需要训练那么多次了，训练了也白训练。你问“这样的预测结果代表着什么？”，你也没说这些数据在现实中是什么，怎么会知道呢。

追问

其实这只是一个测试程序。
我要做的其实是关于图像演变的预测，要结合元胞自动机模型来做。所以想在BP神经网络中输入8个值，然后预测出1个值。但是看来很久的神经网络都不是特别明白其中所说的“样本训练“和”各层权值矩阵的生成与调节”这两个环节，总是想的不那么明白。
您能不能简单直白的给我介绍一下BP神经网络算法的实现方法和运行机制？最好是能有关我要做的8个输入、预测1个输出这一问题。万分感谢。

追答

1）正向传播：输入样本－>输入层－>各隐层（处理）－>输出层
注1：若输出层实际输出与期望输出（教师信号）不符，则转入2）（误差反向传播过程）
2）误差反向传播：输出误差（某种形式）－>隐层（逐层）－>输入层
其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值（其过程，是一个权值调整的过程）。
注2：权值调整的过程，也就是网络的学习训练过程（学习也就是这么的由来，权值调整）。

其实，BP算法就是四个公式，编程的时候套公式就可以，具体的推导过程可以不懂。
输入神经元、输出神经元个数都是可以随意设定的，在编程里也就是数组维数不同而已。

追问

谢谢指导。您说的这些我都知道，也看过很多遍，可就是不能准确的应用在编程和处理实际问题上。您有没有那种具体的小例子，给我参考参考？
还有，您说BP算法就是四个公式？是指其中的激活函数那部分吗？

追答

我说的公式是指权值和阈值的修正公式。不知道你用哪种语言编程，我上传一个C++的例子。

最好找本讲神经网络的教材，BP算法肯定有具体公式推导的。

追问

哦。明白了。我用的是C#。谢谢您的例子，我会好好看看例子。
十分感谢，以后有什么问题，再继续向您请教，还望您能指点一二。