A. 復合性神經網路有什麼優點
神經網路是人工智慧中深度學習的一個重要技術，但是神經網路也是具有一定的局限性的，在處理特殊場景的時候會有一點麻煩，然而現在有一種特殊的方式使得神經網路能夠比以前更強大，這種技術就是復合型神經網路。那麼復合性神經網路有什麼優點呢？下面我們就給大家介紹一下這個概念。
其實如果要想了解復合性神經網路，就需要知道復合性的原則，而復合性是一條通用原則，我們可以把它描述為一種相信世界是可知的信念，我們可以把事物分解、理解它們，然後在意念中自由地重新組合它們。這其中的關鍵假設是，事物都是按照某一套法則從基礎的子結構復合成更大的結構的。這意味著，我們可以從有限的數據中學習到子結構和組合法則，然後把它們泛化到復合性的情境中。
當然，復合性神經網路和深度神經網路不同，復合性模型需要結構化的表徵，其中要顯式地表示出對象的結構和子結構。復合性模型也就擁有了外推到未曾見過的數據，對系統做推理、干涉和診斷，以及對於同樣的知識結構回答不同問題的能力。
而復合性模型這個概念的優點已經在一些任務上得到了初步驗證，在識別方面上，復合性神經網路的識別能力高於深度神經網路的能力，深度神經網路就無法維持高水平的表現。還有一些非平凡的視覺任務也表現出了相同的趨勢，要推測最後一張的內容；圖像之間的變化規律是復合性的，而且會有干擾。對於神經模塊網路之類的自然語言模型，由於它們具有動態的網路結構，可以捕捉到一些有意義的組合，就可以在這樣的任務中擊敗傳統的神經網路。
當然，復合性模型也還有許多理想的理論屬性，在可解釋和生成樣本表現十分出色。這可以讓我們更方便地診斷錯誤，也就比深度神經網路這樣的黑盒模型更難以被欺騙。但是復合性模型也很難學習，因為它需要同時學習基礎結構和復合方法。而且，為了能夠以生成的方式進行分析，復合性模型還需要搭配物體和場景的生成式模型。按分類生成圖像到現在都還是一個有難度的課題。
當然還有更基礎的知識，也就是說處理組合爆炸的問題還需要學習到三維世界事物的常識模型，以及學會這些模型和圖像的對應關系。我們在這篇文章中給大家介紹了很多關於復合性模型的優點，這些優點都得到了工程師們的一致好評。相信在未來，會有更多的模型解決更多的問題。
B. 如何提高BP神經網路模型的預測精度
直接調用歸一化函數就可以啦，不會的話看一下這個帖子吧：遺傳演算法優化BP神經網路的案例（matlab代碼分享）
http://www.ilovematlab.cn/forum. ... &fromuid=679292
C. 分析影響一個神經網路模型是否達到要求的因素有哪些
我模型的是否達到要求的因素應該就是他的思維狀態和他現在的各種情況。
D. 關於MATLAB的bp神經網路模型的訓練和驗證
可能發生了過度擬合的問題，導致網路泛化能力不足。
你訓練的樣本版波動性很強，但是你檢驗的樣權本波動性很弱，神經網路在適應變化極大的問題時，效果不太好。
泛化：當某一反應與某種刺激形成條件聯系後，這一反應也會與其它類似的刺激形成某種程度的條件聯系，這一過程稱為泛化。在心理學心理咨詢中所謂泛化指的是：引起求助者目前不良的心理和行為反應的刺激事件不再是最初的事件，同最初刺激事件相類似、相關聯的事件（已經泛化），甚至同最初刺激事件不類似、無關聯的事件（完全泛化），也能引起這些心理和行為反應（症狀表現）。
E. BP神經網路的模型已經訓練好，想用多一些數據繼續訓練，怎麼在原來的基礎上訓練呢
樓主你好，不知你是怎麼處理這個問題的，因為若是在MATLAB上的話，是沒法更改訓練模型的，畢竟權重是一直在變，若是在C的話，我也在研究最近
F. 想用神經網路做評價模型，請問在matlab中輸入數據是什麼Target數據是什麼
輸入數據是因子，是變數，是x，target是結果，是對應x下的y值。評價模型首先你肯定有評專價的指標，這個就是屬y。其餘對這個指標有影響的因素就是x。
你的例子里輸入就是90*20的矩陣，target就是90*1的矩陣。模型訓練好以後，用剩下的10家去檢驗模型。
神經網路基本原理就是得到一個自變數x的方程，使得通過方程計算的結果與實際的y之間的差值最小，從而說明模型的正確性，用於後續的評價和預測等。
G. 神經網路模型有幾種分類方法，試給出一種分類
神經網路模型的分類人工神經網路的模型很多，可以按照不同的方法進行分類。其中，常見的兩種分類方法是，按照網路連接的拓樸結構分類和按照網路內部的信息流向分類。1 按照網路拓樸結構分類網路的拓樸結構，即神經元之間的連接方式。按此劃分，可將神經網路結構分為兩大類：層次型結構和互聯型結構。層次型結構的神經網路將神經元按功能和順序的不同分為輸出層、中間層（隱層）、輸出層。輸出層各神經元負責接收來自外界的輸入信息，並傳給中間各隱層神經元；隱層是神經網路的內部信息處理層，負責信息變換。根據需要可設計為一層或多層；最後一個隱層將信息傳遞給輸出層神經元經進一步處理後向外界輸出信息處理結果。 而互連型網路結構中，任意兩個節點之間都可能存在連接路徑，因此可以根據網路中節點的連接程度將互連型網路細分為三種情況：全互連型、局部互連型和稀疏連接型2 按照網路信息流向分類從神經網路內部信息傳遞方向來看，可以分為兩種類型：前饋型網路和反饋型網路。單純前饋網路的結構與分層網路結構相同，前饋是因網路信息處理的方向是從輸入層到各隱層再到輸出層逐層進行而得名的。前饋型網路中前一層的輸出是下一層的輸入，信息的處理具有逐層傳遞進行的方向性，一般不存在反饋環路。因此這類網路很容易串聯起來建立多層前饋網路。反饋型網路的結構與單層全互連結構網路相同。在反饋型網路中的所有節點都具有信息處理功能，而且每個節點既可以從外界接受輸入，同時又可以向外界輸出。
H. BP神經網路模型所得出的結果都是隨機的，如何才能讓其穩定
這是神經網路本身的特性，改變不了，如果覺得結果波動太大可以多次試驗取平均