主要内容

多层神经网络体系结构

该主题介绍了典型的多层浅网络工作流程的一部分。有关更多信息和其他步骤，请参阅多层神经网络和反向传播培训。

神经元模型（Logsig，Tansig，purelin）

与r输入如下所示。每个输入都有适当的加权w。加权输入和偏置的总和形成了传输函数的输入F。神经元可以使用任何可区分的转移功能F生成他们的输出。

多层网络经常使用log-sigmoid传递函数logsig。

功能logsig由于神经元的净输入从阴性到正无穷大，因此生成0到1之间的输出。

或者，多层网络可以使用棕褐色 - sigmoid转移函数Tansig。

乙状结肠输出神经元通常用于模式识别问题，而线性输出神经元用于功能拟合问题。线性传递函数purelin如下所示。

此处描述的三个传输函数是多层网络最常用的传输功能，但是如果需要，可以创建和使用其他可区分的传输功能。

馈电神经网络

一个单层网络slogsig神经元有r输入如下所示，在左侧，右侧有一个层图。

前馈网络通常具有一个或多个隐藏的乙状结肠神经元层，然后是线性神经元的输出层。具有非线性传递功能的多层神经元允许网络学习输入和输出向量之间的非线性关系。线性输出层通常用于函数拟合（或非线性回归）问题。

另一方面，如果要限制网络的输出（例如0到1之间），则输出层应使用Sigmoid传输函数（例如logsig）。当网络用于模式识别问题（网络正在做出决定）时，就是这种情况。

对于多层网络，层编号确定权重矩阵上的上标。适当的符号在两层中使用Tansig/purelin接下来显示网络。

该网络可以用作一般函数近似器。如果隐藏层中有足够的神经元，它可以任意良好地任意地任意不连续数的任何功能近似任何功能。

现在已经定义了多层网络的体系结构，以下各节中描述了设计过程。