bp神经网络回归过拟合，如何处理？用L1正则化还是dropout？

BP神经网络的过拟合问题是神经网络训练中常见的问题之一察宽闭。针对这个问题，可以采取许多方法来解决，例如使用L1正则化和dropout方法。这两种方法都可以用于控制神经网络的复杂性，防止过拟合。

L1正则化是通过在损失函数中添加权重的L1范数来实现的。这个方法败裂可以减少权重的数量，并且可以将一些权重降为0，从而实现特征的选择。这个方法适用于需要进行特征选择的情况。巧销

Dropout方法是一种随机失活技术。它通过在训练过程中随机关闭一些神经元来减少网络的复杂度，从而防止过拟合。这个方法适用于需要提高网络的泛化能力的情况。

针对BP神经网络回归过拟合问题，建议尝试使用L1正则化和dropout方法来解决。如果需要进行特征选择，则可以使用L1正则化。如果需要提高网络的泛化能力，则可以使用dropout方法。在使用这些方法时，需要进行参数调优，以找到最佳的超参数组合，以便在控制过拟合的同时保持模型的预测能力。

mapminmax不是这样用的，你这个是premnmx的用法。

两种修改方法：

直接将mapminmax更改为premnmx即可。

或者就使用mapminmax函数，闹镇该函数的用法为

[Y,PS] = mapminmax(X)

[Y,PS] = mapminmax(X,FP)

Y = mapminmax('apply',X,PS)

X = mapminmax('reverse',Y,PS)

matlab中的归一化处理有四种方法

1. premnmx、postmnmx、tramnmx

关于用premnmx语句进行归一化：

premnmx语句的语法格式是：[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)

其中P，T分别为原始输入和输出数据，minp和maxp分别为P中的最液销粗小值和最大值。mint和maxt分别为T的最小值和最大值。

premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。

我们在训练网络时如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数据也应该和样本数据接受相同的预处理，这就要用到tramnmx。

下面介绍tramnmx函数：

[Pn]=tramnmx(P,minp,maxp)

其中P和Pn分别为变换前、后的输入数据，maxp和minp分别为premnmx函数找到的最大值和最小值斗简。

2. prestd、poststd、trastd

3. 自己编程

具体用那种方法就和你的具体问题有关了 

（by happy）

4.在最新版的matlab里面共有两个归一化函数：mapminmax()和mapstd(),其中第一个函数是归一化到[-1 1]范围，后一个的原理我也不太懂，但归一后的数据较规整，比第一个好用．

各自的归一化格式如下：

[pn,ps]=mapminmax(P)或=mapstd(P) %P是输入向量

[tn, ts]=mapminmax(t)或＝mapstd(t) %t 是目标向量

在训练完后，对测试样本归一化格式为：

pnt=mapminmax('apply',pt,ps)或＝mapstd('apply',pt,ps)

仿真后反归一化格式则为：

out=mapminmax('reverse',An,ts)或=mapstd('reverse',An,ts)；其中An为sim函数的输出。

---