newrb 建立的神经网络,net.IW net.LW net.b 到底是什么含义,求大神指点？

你可以上《神经网络之家》 nnetinfo找一张 《一篇文章读懂径向基神经网络原理》的文章，上面有介绍径向基。

简要来说，IW就是 input weight,输入层到隐层的权重。（注意，这里的权重与输入的计算方式是用dist函数，而不是点乘）

LW,就是layer weight,LW{2,1}就是隐层到输出的权重。

netb就是阈值，

径向基神经网络的权重不再用点乘，隐层的阈值也不是用加法，所以它们已经不具用“权重、阈值”的物理意义。

只是网络的参数，用于计算， 更详细的，在这小小篇幅就说不完了。

希望点个赞

神经网络有多种分类方式，例如，按网络性能可分为连续型与离散型网络，确定型与随机型网络:按网络拓扑结构可分为前向神经网络与反馈神经网络。本章土要简介前向神经网络、反馈神经网络和自组织特征映射神经网络。

前向神经网络是数据挖掘中广为应用的一种网络，其原理或算法也是很多神经网络模型的基础。径向基函数神经网络就是一种前向型神经网络。

Hopfield神经网络是反馈网络的代表。Hvpfi}ld网络的原型是一个非线性动力学系统，目前，已经在联想记忆和优化计算中得到成功应用。

模拟退火算法是为解决优化计算中局部极小问题提出的。Baltzmann机是具有随机输出值单元的随机神经网络，串行的Baltzmann机可以看作是对二次组合优化问题的模拟退火算法的具体实现，同时它还可以模拟外界的概率分布，实现概率意义上的联想记忆。

自组织竞争型神经网络的特点是能识别环境的特征并自动聚类。自组织竟争型神经网络已成功应用于特征抽取和大规模数据处理。

专业课：1《专业英语》 ；2《智能控制理论与应用》 ；2《神经网络控制》

公共课：《高等数学》

公选课：《智能系统设计》 1 机器人动力学与控制；非线性系统控制

2．空间微重力系统模拟、神经网络控制与应用 张文辉, 齐乃明基于模糊基函数网络的机械臂免模型输出反馈PD控制[J]国防科技大学学报2010，32（6）:163-170 EI检索

张文辉, 齐乃明自由漂浮空间机器人的神经网络自适补偿控制 [J]宇航学报 2011 32(6):1312-1317 EI检索

张文辉，齐乃明，尹洪亮自适应神经变结构的机器人轨迹跟踪控制 [J]控制与决策 2011 26(4): 597-600 EI检索

张文辉，齐乃明漂浮基空间机械臂的智能融合自适应控制器设计 [J]华中科技大学学报

(自然科学版)，2011,39(12)：14-19 EI检索20120314688127

齐乃明，张文辉，高九州三维空间微重力地面模拟试验系统设计[J]机械工程学报2011 47(9):19-23 EI检索

张文辉，齐乃明 自由漂浮空间机器人的基于模糊神经网络自适应补偿控制[J]中国科学院研究生院学报201128(4):527-534

张文辉，高九州 漂浮基空间机器人的径向基神经网络自适应鲁棒控制[J]智能系统学报20116(2):114-118

中国发明专利 专利名 三维微重力智能气足 发明专利 1 参与国家自然科学基金面上项目，项目名称“基于变焦距视觉导引的空间机械臂在线运动规划方法与实验研究”；

2 参与哈工大-航天科技联合技术创新基金，，项目名称“三维微重力智能气”；

3 参与中国航天部-空间技术研究院横向课题“大型网状卫星伸展臂一代微重力试验项目”，“大型网状卫星伸展臂二代微重力试验项目”，“网状天线大型桁架微重力展开项目”等。

421 概述

人工神经网络的研究与计算机的研究几乎是同步发展的。1943年心理学家McCulloch和数学家Pitts合作提出了形式神经元的数学模型，20世纪50年代末，Rosenblatt提出了感知器模型，1982年，Hopfiled引入了能量函数的概念提出了神经网络的一种数学模型，1986年，Rumelhart及LeCun等学者提出了多层感知器的反向传播算法等。

神经网络技术在众多研究者的努力下，理论上日趋完善，算法种类不断增加。目前，有关神经网络的理论研究成果很多，出版了不少有关基础理论的著作，并且现在仍是全球非线性科学研究的热点之一。

神经网络是一种通过模拟人的大脑神经结构去实现人脑智能活动功能的信息处理系统，它具有人脑的基本功能，但又不是人脑的真实写照。它是人脑的一种抽象、简化和模拟模型，故称之为人工神经网络（边肇祺，2000）。

人工神经元是神经网络的节点，是神经网络的最重要组成部分之一。目前，有关神经元的模型种类繁多，最常用最简单的模型是由阈值函数、Sigmoid 函数构成的模型（图 4-3）。

图4-3 人工神经元与两种常见的输出函数

神经网络学习及识别方法最初是借鉴人脑神经元的学习识别过程提出的。输入参数好比神经元接收信号，通过一定的权值（相当于刺激神经兴奋的强度）与神经元相连，这一过程有些类似于多元线性回归，但模拟的非线性特征是通过下一步骤体现的，即通过设定一阈值（神经元兴奋极限）来确定神经元的兴奋模式，经输出运算得到输出结果。经过大量样本进入网络系统学习训练之后，连接输入信号与神经元之间的权值达到稳定并可最大限度地符合已经经过训练的学习样本。在被确认网络结构的合理性和学习效果的高精度之后，将待预测样本输入参数代入网络，达到参数预测的目的。

422 反向传播算法（BP法）

发展到目前为止，神经网络模型不下十几种，如前馈神经网络、感知器、Hopfiled 网络、径向基函数网络、反向传播算法（BP法）等，但在储层参数反演方面，目前比较成熟比较流行的网络类型是误差反向传播神经网络（BP-ANN）。

BP网络是在前馈神经网络的基础上发展起来的，始终有一个输入层（它包含的节点对应于每个输入变量）和一个输出层（它包含的节点对应于每个输出值），以及至少有一个具有任意节点数的隐含层（又称中间层）。在 BP-ANN中，相邻层的节点通过一个任意初始权值全部相连，但同一层内各节点间互不相连。对于 BP-ANN，隐含层和输出层节点的基函数必须是连续的、单调递增的，当输入趋于正或负无穷大时，它应该接近于某一固定值，也就是说，基函数为“S”型（Kosko，1992）。BP-ANN 的训练是一个监督学习过程，涉及两个数据集，即训练数据集和监督数据集。

给网络的输入层提供一组输入信息，使其通过网络而在输出层上产生逼近期望输出的过程，称之为网络的学习，或称对网络进行训练，实现这一步骤的方法则称为学习算法。BP网络的学习过程包括两个阶段：第一个阶段是正向过程，将输入变量通过输入层经隐层逐层计算各单元的输出值；第二阶段是反向传播过程，由输出误差逐层向前算出隐层各单元的误差，并用此误差修正前层权值。误差信息通过网络反向传播，遵循误差逐步降低的原则来调整权值，直到达到满意的输出为止。网络经过学习以后，一组合适的、稳定的权值连接权被固定下来，将待预测样本作为输入层参数，网络经过向前传播便可以得到输出结果，这就是网络的预测。

反向传播算法主要步骤如下：首先选定权系数初始值，然后重复下述过程直至收敛（对各样本依次计算）。

（1）从前向后各层计算各单元Oj

储层特征研究与预测

（2）对输出层计算δj

储层特征研究与预测

（3）从后向前计算各隐层δj

储层特征研究与预测

（4）计算并保存各权值修正量

储层特征研究与预测

（5）修正权值

储层特征研究与预测

以上算法是对每个样本作权值修正，也可以对各个样本计算δj后求和，按总误差修正权值。

1、前馈型神经网络

常见的前馈型神经网络包括感知器网络、BP神经网络、RBF网络（径向基函数神经网络）

（1）感知器网络:也被称作感知机，主要用于模式分类，也可以用作学习控制和基于模式分类的多模态控制

（2）反向传播神经网络（BP神经网络），利用了权值的反向传播调整策略，基于Sigmoid函数。可以实现从输入到输出的任意非线性函数

（3）RBF网络能逼近任意非线性函数，可以处理难以解析的规律性问题。具有良好的泛化能力和快速收敛速度。常用于分类问题，模式识别，信号处理，图像处理，系统建模等。

听到 神经网络 这个词，从直觉上我们会想到大脑，的确，我们可以将大脑看成一个大型的天然神经网络。然而，人工神经网络又是什么呢？人工是一个与天然相对的词，我们首先想到的就是人工大脑或者机器人，这就是所谓的人工。在这种情况下，受人脑的启发，我们创建出一个和人脑相似的结构，称之为人工智能。

结合人脑的特点和结构，可以说人工神经网络是一种自然启发的方法。每个神经元与许多其他神经元相接，这些神经元又会和其他大量神经元相连，形成一个高度互连的结构。神经元之间的连通性解释了学习能力，因为每个连接都可以根据刺激和期望目标进行配置。

人工神经元

人工神经元是最基本的人工神经元素，已证明生物神经元是信号处理器，神经元中的树突会根据接受信号的强弱和振幅。发送信号到轴突。可以这样认为，神经元在输入上有一个信号收集器，在输出上有一个激活单元，它可以触发一个新的信号，然后传递给其他神经元。

激活函数

激活函数是指一个神经元根据输入信号，执行计算并产生输出。从数学方面讲，激活函数用于为神经网络模型的处理加入非线性因素，从而提供人工神经网络的非线性行为，这对模拟生物神经元的非线性特征非常有用。激活函数通常是一个非线性函数，输出限制在某个区间范围内，但某些特定情况下，也可以是线性函数。

权重

尽管神经网络的结构能固定，但通过神经元之间的连接权重能够增强或减弱接收到的神经信号，所以可以通过修改权重影响神经元的输出。因此，神经元的激活不仅依赖输入信号，还依赖权重。如果输入来自其他神经元或者外部世界，权重可以看成神经网络在神经元之间建立的连接。

偏置

作为一个独立组件，偏置主要为激活函数增加一个额外信号，这对人工神经元非常有用。

层

为抽象化处理层次，如我们大脑处理问题的方式，神经元按层组织。输入层接受外部世界的直接刺激，输出层触发一些行为，对外部世界产生直接影响。输入层和输出层之间，有许多隐含层，某种意义上，这些隐含层对外部世界不可见。在人工神经网络中，同一层的所有神经元具有相同的输入和激活函数。

神经网络可以有不同的布局，主要取决于神经元或层之间是如何连接的，每一个神经网络体系结构都是为特定目标而设计。神经网络可以应用于许多问题，根据问题的性质，神经网络旨在高效解决问题。

单层网络

单层网络体系中，所有神经元都处于同一层，形成单个层。

多层网络

多层网络中，神经元分成多个层，每层对应神经元的一个平行布局，每层神经元都共享相同的输入数据。

前馈网络

神经网络中的信号流动可以是单向的，也可以是递归的。对于第一种结构，称之为前馈网络，输入信号被送入输入层，经过处理后向前传递到下一层。多层感知机和径向基函数都是前馈网络

反馈网络

当神经网络中有某种内部递归时，这意味着信号会反向传递到已经接受或已经处理过信号的神经元或层，这类网络类型为反馈网络。

　　神经网络包括BP网络、径向基网络，反馈神经网络以及基于模拟退火算法的随机神经网络等。

目前对它们的改进有一百多种变型。不过最常用的是BP网络，这一点你用在中国知网检索文献就会发现。朋友我不知道你打算做哪一方面的，如果是做预测模型可以考虑BP网络，径向基也可以；做聚类问题可以考虑自组织竞争网络；做优化可以用随机神经网络；做联想记忆可以考虑反馈神经网络。

供应链评价的方法

　供应链效绩评价方法是供应链绩效评价的具体手段。主要是将各具体指标的评价值经过适当的计算，得出最终目标评价值，最后再与评价标准比较，得出评价结论。没有科学的评价方法对评价指标的运用，就不可能得出正确的结论。下面将对主流的评价方法进行介绍，并对其优势和劣势做出评价。

　1 层次分析法

　层次分析法(Analytic　Hierarchy　Process，AHP)是一种定性与定量结合的多目标决策分析方法，由saaty于20世纪70年代首先提出，并用于分析复杂系统[1]。其主要思想是：首先分析复杂系统的要素构成及其相互间的关系，据此构造出一个有序的递阶层次结构;然后通过两两比较的方式确定层次中各个要素的相对重要性，在每一个层次上建立判断矩阵，计算该层要素的相对权重;最后计算出各要素相对于总目标的权重。

　层次分析法能够同时从定性和定量两个角度来分析问题，特别适合用于解决复杂系统的评价问题，这是因为针对复杂问题建立精确的数学模型往往是很困难的，某些时候必须依靠人的定性判断。与此同时，层次分析法也存在很多的不足之处，如：层次分析法在很大程度上依靠的'是人的经验，无法排除个人偏好造成的片面性;比较和判断的过程较为粗糙，只能用于解决精度要求不高的问题;当影响因素数量较多时，比较判断的工作量会迅速增加。

　2 模糊综合评价

　模糊综合评价(Fuzzy　Comprehensive　Evaluation，FCE)是在模糊数学理论的基础上发展起来的。模糊数学理论由zadeh于20世纪60年代首先提出，它采用精确的数学方法来描述模糊性现象[2]。模糊综合评价借助模糊数学，将边界不清晰、不易量化的因素定量化，然后计算各个因素与评价对象的隶属度，根据隶属等级状况进行综合评价。

　供应链绩效评价的指标之间存在着复杂的因果关系，有些关系是模糊的、不确定的，而且有些指标无法实现精确定量化，应用模糊综合评价就能够很好的解决这些模糊性问题，这也是该方法的最大优势。其劣势在于：(1)计算复杂;(2)指标权重的设定具有较强的人为主观性;(3)当指标数量较多时，容易出现/超模糊现象。

　3 人工神经网络

　人工神经网络(Artificial　Neural　Networks，ANN)简称神经网络，是人工智能领域的重要分支，它是对人脑进行抽象、简化而建立起来的计算模型，目的是为了模拟实现大脑的某些功能　[3]。

　目前有上百种模型问世，其中比较著名的有BP神经网络、径向基神经网络、竞争学习神经网络、学习向量量化神经网络、Elman神经网络、Hopfield神经网络和Boltzmann神经网络，其中BP神经网络的影响和应用最为广泛。神经网络的主要优点是能够自适应样本数据，当数据中有噪声和非线性时，也能够正常工作，另外，联想推理、高速并行处理也是其优点。经过科学的训练和学习，神经网络能够找出输入和输出之间的非线性映射关系，从而实现智能推理和预测。神经网络的劣势在于学习效率低，容易陷入局部极值，以及当样本数据多时收敛速度慢。叶春明等人研究了BP神经网络在供应链管理绩效指标评价中的应用。

　4 数据包络分析

　数据包络分析(Data　Envelopment　Analysis，DEA)是Charnes等学者于1978年提出的评价相对有效性的方法。DEA使用数学规划模型来比较不同决策单元之间的相对效率，通过综合分析决策单元的输入和输出数据，可以得出每个决策单元的综合效率指标，并且以定量化的形式表示出来。DEA还能判断各决策单元的投入规模是否恰当，如果不恰当，可以向什么方向、以何种程度调整投入规模以此给部门主管提供有用的决策信息[4]。

　数据包络分析适合用于多输入、多输出的复杂系统评价，它将输入和输出权重设置为变量，无需人为主观设定。它可以处理不同量纲的数据，将系统的内部过程视为“黑箱”，因此避免了对输入和输出之间的定量关系进行描述。数据包络分析的主要缺点在于该方法对指标数目要求比较严格，当指标数目相对于决策单元的数目太多时，多数决策单元会被判定为有效，从而无法取得有效的信息。

　5 支持向量机

　支持向量机(Support　vector　Maehines，　SVM)是vapnik于1995年提出的一种机器学习算法。其基本思想是：将在低维空间线性不可分的样本通过核函数的非线性变换，映射到高维特征空间，在高维特征空间构造出最优超平面和决策函数，据此可以推断出任意一个输入x对应的输出y[5]。

　支持向量机在解决小样本、非线性和高维度问题时具有很大的优势，然而当样本数量较大时，SVM就无能为力了，必须求助于改进的SVM模型。

;