1、matlab中如何用神经网络求得数据拟合函数？
我是做这个方向的，神经网络拟合出的曲线是没有相应的函数的，他是根据许多的权重值，阀值和偏置值的训练确定的曲线。还有什么相关问题可以问我，我的QQ378257104。
谷歌人工智能写作项目：小发猫
2、如何防止神经网络过拟合，用什么方法可以防止？
你这个问题本来就问的很模糊，你是想问神经网络的过拟合变现什么样还是为什么出现过拟合呢。为此针对于第一个问题，神经网络的过拟合与支持向量机、高斯混合模型等建模方法的过拟合类似，表现为针对于训练数据集的建模效果很好，而对于测试数据集的建模效果很差，因为过于强大的学习能力是的预测模型中的噪声将有用信息湮没了，致使泛化能力很差。针对于第二个问题，出现上述现象的主要原因在于隐层节点数太多(隐层节点数越多，学习能力越强)，使得预测模型在训练时候将训练数据集中的噪声也挖掘出来了，也就是噪声将有用信息湮没了。所以在使用神经网络进行建模时一定要处理好模型过拟合的问题，可以一方面增加数据的样本集，另一方面采用交叉验证选择合适的隐层节点数，在精度与泛化能力之间做一个权衡，最常用的方法就是增加正则化项，一定程度上可以防止模型的过拟合问题。（+机器学习算法与Python学习）
3、用BP神经网络做数据拟合回归,每次运行结果都不一致,望高人指点,谢了
大哥你这个目标要求的也太高了吧，要1e-12！1e-5，1e-6就行了。而且就训练100次由什么用，BP的话起码要3000到5000次训练，复杂问题要10000次左右，再说BP网络存在“殊途同归”的问题，所以每次不太一样也是正常的，只要测试误差满足要求就行了
4、BP神经网络可以用于拟合函数吗
可以。
既然是函数拟合，那么事先就已经有函数表达式了。拟合的只是函数表达式中未知的参数。用神经网络对函数进行拟合，输出的就是未知参数的高精近似值。
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
扩展资料：
如果待定函数是线性，就叫线性拟合或者线性回归(主要在统计中)，否则叫作非线性拟合或者非线性回归。表达式也可以是分段函数，这种情况下叫作样条拟合。
一组观测结果的数字统计与相应数值组的吻合。形象的说,拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。拟合的曲线一般可以用函数表示，根据这个函数的不同有不同的拟合名字。
在MATLAB中可以用polyfit 来拟合多项式。
拟合以及插值还有逼近是数值分析的三大基础工具，通俗意义上它们的区别在于：拟合是已知点列，从整体上靠近它们；插值是已知点列并且完全经过点列；逼近是已知曲线，或者点列，通过逼近使得构造的函数无限靠近它们。
5、求教matlab神经网络拟合
tic; %计时开始
clc; %清屏
clear all; %清除所有变量
disp('输入层神经元个数： 3'); %显示输入层神经元个数
input=3;
disp('中间层神经元个数： 3'); %显示中间层神经元个数
middle=3;
disp('输出层神经元个数： 1'); %显示输出层神经元个数
output=1;
disp('输入模式1 2 3及其对应的输出：');
x1=[7.1 3.2 2.5];
x2=[7.0 3.4 2.9];
x3=[6.9 3.6 3.1];
x4=[6.8 3.8 2.6];
x5=[7.2 4.0 2.2];
y1=78;y2=65;y3=78;y4=69;y5=72;
disp('形成一张供调用的向量表：');
X=[x1;x2;x3;x4;x5]; %x1,x2,x3,x4,x5向量表
X=X/10;
Yo=[y1;y2;y3;y4;y5]; %y1,y2,y3,y4,y5向量表
Yo=Yo/100;
disp('初始化连接权矩阵：');
w=zeros(input,middle); %输入层与中间层的连接权
v=zeros(middle,output); %中间层与输出层的连接权
th1=zeros(1,middle); %中间层的阈值
th2=zeros(1,output); %输出层的阈值
out_middle=zeros(1,middle); %中间层的实际输出
out_output=zeros(1,output); %输出层的实际输出
delta_output=zeros(1,output); %输出层的差值
delta_middle=zeros(1,middle); %中间层的差值
disp('显示初始化连接权矩阵w：');
w=rands(input,middle); %初始化连接权矩阵w(i,j)
disp(w); %显示初始化连接权矩阵w(i,j)
disp('显示初始化连接权矩阵v：');
v=rand(middle,output); %初始化连接权矩阵v(j,t)
disp(v); %显示初始化连接权矩阵v(j,t)
disp('中间层阈值矩阵th1：');
th1=rand(1,middle); %初始化中间层阈值矩阵th1
disp(th1); %显示中间层阈值矩阵th1
disp('中间层阈值矩阵th2：');
th2=rand(1,output); %初始化输出层阈值矩阵th2
disp(th2); %显示中间层阈值矩阵th2
sample_bumbers=5; %样本数
max_times=10000; %最大训练次数
times=0; %训练次数
eta=0.1; %学习系数eta
gamma=0.1; %学习系数gamma
sample_pointer=0; %样本数指针
error=0.02; %误差
error_max=0.01; %最大误差
for times=1:max_times %begin for External Loop
if error>error_max
for sample_pointer=1:sample_bumbers
X0=X(sample_pointer,:);
Y0=Yo(sample_pointer,:);
Y=X0*w;
%计算中间层的输出：
Y=Y-th1;
for j=1:middle
out_middle(j)=1/(1+exp(-Y(j)));
end
%计算输出层输出：
Y=out_middle*v;
Y=Y-th2;
for k=1:output %k=1:3
out_output(k)=1/(1+exp(-Y(k)));
end
error=(Y0(k)-out_output(k))*(Y0(k)-out_output(k))/2;
%计算输出层校正误差delta_output：
for k=1:output %k=1:3
delta_output(k)=(Y(k)-out_output(k))*out_output(k)*(1-out_output(k));
end
%计算中间层校正误差delta_middle：
for k=1:output %k=1:3
xy=delta_output*v';
delta_middle=xy*out_middle'*(1-out_middle);
end
%计算下一次的中间层和输出层之间的连接权v(j,k)，阈值th2(k)
for k=1:output;
for j=1:middle
v(j,k)=v(j,k)+eta*delta_output(k)*out_middle(j);
end
th2(k)=th2(k)+eta*delta_output(k);
end
%计算下一次的输入层和中间层之间的连接权w(i,j)，阈值th1(j)
for j=1:middle;
for i=1:input
w(i,j)=w(i,j)+gamma*X0(i)*delta_middle(j);
end
th1(j)=th1(j)+gamma*delta_middle(j);
end
end %end for if
else
break;
end %end for else
end %e孩长粉短莠的疯痊弗花nd for External Loop
disp('显示结果：');
disp('训练次数times:');disp(times);
disp('输出权值w');disp(w);
disp('输出权值v');disp(v);
disp('全局误差error:');disp(error);
disp('运行结束了！');
toc; %计时结束，并输出程序的运行时间
输出结果为：
输入层神经元个数： 3
中间层神经元个数： 3
输出层神经元个数： 1
输入模式1 2 3及其对应的输出：
形成一张供调用的向量表：
初始化连接权矩阵：
显示初始化连接权矩阵w：
0.5695 -0.6483 -0.6946
-0.0573 0.4435 -0.3178
-0.9285 -0.0530 0.2148
显示初始化连接权矩阵v：
0.1917
0.7384
0.2428
中间层阈值矩阵th1：
0.9174 0.2691 0.7655
中间层阈值矩阵th2：
0.1887
显示结果：
训练次数times:
6
输出权值w
0.5376 -0.6779 -0.7311
-0.0736 0.4283 -0.3365
-0.9406 -0.0643 0.2009
输出权值v
0.1328
0.6708
0.2027
全局误差error:
0.0097
运行结束了！
Elapsed time is 0.263732 seconds.
6、神经网络,什么过拟合?,什么是欠拟合?
欠拟合是指模型不能在训练集上获得足够低的误差。而过拟合是指训练误差和测试误差之间的差距太大。
考虑过多，超出自变量的一般含义维度，过多考虑噪声，会造成过拟合。
可以认为预测准确率、召回率都比理论上最佳拟合函数低很多，则为欠拟合。
简介
人工神经网络按其模型结构大体可以分为前馈型网络（也称为多层感知机网络）和反馈型网络（也称为Hopfield网络）两大类，前者在数学上可以看作是一类大规模的非线性映射系统，后者则是一类大规模的非线性动力学系统。
按照学习方式，人工神经网络又可分为有监督学习、非监督和半监督学习三类；按工作方式则可分为确定性和随机性两类；按时间特性还可分为连续型或离散型两类，等等。