Question

MATLAB中训练LM算法的BP神经网络

我用MATLAB仿真基于LM算法的BP神经网络训练，为什么学习率、激发函数等参数都不改变的情况下，每次训练结果的误差及训练次数都不一样呢？是否因为是初始阈值等产生的？要怎么样才能解决这个问题？另外，若改变隐层节点数，也要求在同样的条件下进行网络性能对比，要怎么做？谢谢
谢谢 煌兮诸火的答复，
问题找到了，可能是归一化公式premnmx中min和max的问题，很多文献中都说测试数据的归一化也用训练数据归一化时得出的min和max值，用了tramnmx导致测试数据输出结果错的离谱。在现在的程序中不使用tramnmx，而是在训练时，用premnmx归一化，训练网络的误差达到1e-5，再对测试数据用premnmx进行归一化得出另一组min和max值，通过训练好的网络进行结果运算后，再用postmnmx(A2,mint,maxt)【mint和maxt为测试数据归一化时得出的最小最大值；A2为测试输入通过网络得出的输出】对输出进行处理后，得出的结果与测试集的期望输出比较，但误差并未达到1e-5，但是误差绝对值都小于1，不知有何问题？
1、训练数据回代入网络测试，比上面说的另外测试数据测试误差要小很多，虽然也没有达到1e-5这么小，不知为何？
2、[net,tr]=train(net,Pn,Tn); %训练后，网络误差达到1e-5停止
A=sim(net,Pn);
E=A-Tn;
执行后，为何E中每个值并不是1e-5的数量级，最小的为0.0001，最大的可以达到0.0191呢？
谢谢

Answer 1

1.初始权值不一样，如果一样，每次训练结果是相同的
2.是
3.在train之前修改权值，IW,LW,b，使之相同
4.取多次实验的均值
一点浅见，仅供参考

训练误差是否降到一定范围内，比如1e-3，
将训练样本回代结果如何，
训练样本进行了预处理，比如归一化，而测试样本未进行同样的处理

这样的归一化似有问题，我也认为“测试数据的归一化也用训练数据归一化时得出的min和max值”，
请参考这个帖子http://www.ilovematlab.cn/thread-27021-1-1.html
测试数据带入训练好的神经网络误差当然不会达到1e-5，这是预测啊。
但将训练数据带入误差必然是1e-5，算法终止就是因为达到这个误差才终止，这个误差是由训练数据的输入、输出以及神经网络的权值、激活函数共同决定的，神经网络训练完后，权值、激活函数定了，同样的数据再代入神经网络，误差会不等于1e-5？
第二个问题：不可能每个值都达到1e-5，1e-5是MSE（mean square error），它们的平方和除以总数再开方，mse（E）必为1e-5
另外，LM算法虽然训练最快，但是预测精度一般不好，不如gdm，gdx

Answer 2

1.初始权值不一样，如果一样，每次训练结果是相同的
2.是
3.在train之前修改权值，IW,LW,b，使之相同
4.取多次实验的均值
一点浅见，仅供参考