为什么在对相同数据进行预测时，在MATLAB中修改递归神经网络的权重不会导致输出改变？我考虑以下递归神经网络（RNN）：_Matlab_Machine Learning_Neural Network_Regression_Recurrent Neural Network

为什么在对相同数据进行预测时，在MATLAB中修改递归神经网络的权重不会导致输出改变？我考虑以下递归神经网络（RNN）：

matlab machine-learning neural-network

为什么在对相同数据进行预测时，在MATLAB中修改递归神经网络的权重不会导致输出改变？我考虑以下递归神经网络（RNN）：,matlab,machine-learning,neural-network,regression,recurrent-neural-network,Matlab,Machine Learning,Neural Network,Regression,Recurrent Neural Network,其中，x是输入（实数向量），h是隐藏状态向量，y是输出向量。我使用一些数据x在Matlab上训练网络，得到W、V和U 然而，在MATLAB中，将矩阵W更改为W'，并保持U、V不变后，使用W的RNN的输出（y）与使用W'的RNN的输出（y'）相同，当两者都对相同的数据进行预测时。只要看上面的等式，这两个输出应该是不同的，但我似乎无法在MATLAB中做到这一点（当我修改V或U时，输出会发生变化）。我如何修复代码，使输出（y）和（y'）与它们应有的不同相关代码如下所示： [x,t] = simple

其中，x是输入（实数向量），h是隐藏状态向量，y是输出向量。我使用一些数据x在Matlab上训练网络，得到W、V和U

然而，在MATLAB中，将矩阵W更改为W'，并保持U、V不变后，使用W的RNN的输出（y）与使用W'的RNN的输出（y'）相同，当两者都对相同的数据进行预测时。只要看上面的等式，这两个输出应该是不同的，但我似乎无法在MATLAB中做到这一点（当我修改V或U时，输出会发生变化）。我如何修复代码，使输出（y）和（y'）与它们应有的不同

相关代码如下所示：

[x,t] = simplefit_dataset;  % x: input data ; t: targets
net = newelm(x,t,5);  % Recurrent neural net with 1 hidden layer (5 nodes) and 1 output layer (1 node)
net.layers{1}.transferFcn = 'tansig'; % 'tansig': equivalent to tanh and also is the activation function used for hidden layer 
net.biasConnect = [0;0]; % biases set to zero for easier experimenting 
net.derivFcn ='defaultderiv'; % defaultderiv: tells Matlab to pick whatever derivative scheme works best for this net
view(net) % displays the network topology
net = train(net,x,t); % trains the network
W = net.LW{1,1}; U = net.IW{1,1}; V = net.LW{2,1}; % network matrices

Y = net(x); % Y: output when predicting on data x using W

net.LW{1,1} = rand(5,5); % This is the modified matrix W, W'
Y_prime = net(x) % Y_prime: output when predicting on data x using W'

max(abs(Y-Y_prime )); % The difference between the two outputs is 0 when it probably shouldn't be.

编辑：轻微更正。

这是第一层中的递归：（来自文档）

从第j层到第i层的权重矩阵层（或空矩阵[]）位于net.LW{i，j}if 层连接（i，j）为1（或0）

因此

net.LW{1,1}

是从第一层到第一层的权重（即递归），而

net.LW{2,1}

存储从第一层到第二层的权重。现在，如果可以随机更改递归的权重而不产生任何影响（实际上，可以将它们设置为零

net.LW{1,1}=0（size（W））；

而不产生任何影响），那么这意味着什么呢。请注意，这与放弃递归并创建简单前馈网络基本相同：

假设：递归没有效果。

您会注意到，如果将权重从第一层（5个神经元）更改为第二层（1个神经元）

net.LW{2,1}=0（大小（V））

，它将影响您的预测（如果您更改输入权重

net.IW

，当然也是如此）

为什么递归没有效果？ 好吧，我不知道。我不知道这个特殊的故障在哪里，也不知道

newelm

网络背后的理论是什么。