Neural network 神经网络（FFW，BP）-函数逼近

是否可以训练NN来近似此功能：

如果我对x^2或sin或一些简单的函数进行近似，它工作得很好，但对于这类函数，我只得到了一条常值线。 我的神经网络有2个输入（x，f（x）），一个隐藏层（10个神经元），1个输出（f（x）） 对于训练，我使用BP，激活函数sigmoid->tanh

我的目标是获得无噪声的“平滑”函数，即捕捉上图中的函数

---

或者NN或遗传算法还有其他方法吗？如何近似？因为输入（x，f（x））是不连续的（不完全是，但有点不连续），所以你可能会遇到重大问题

因此，考虑到较大的不连续性，您的NN必须准确地记住x-f（x）映射

一种方法是使用四层神经网络，它可以解决不连续性问题

但实际上，对于thos问题，您可能只想看看其他平滑方法，而不是NN

---

你有一个周期函数，所以首先，只使用一个周期，否则你将记忆而不是概括

因为输入（x，f（x））是不连续的（不完全是不连续的，但有点不连续），所以您的GPG可能会出现重大问题

因此，考虑到较大的不连续性，您的NN必须准确地记住x-f（x）映射

一种方法是使用四层神经网络，它可以解决不连续性问题

但实际上，对于thos问题，您可能只想看看其他平滑方法，而不是NN

---

你有一个周期函数，所以首先，只使用一个周期，否则你将记忆而不是概括

我只使用1。培训期。四层NN意味着：1个输入、3个隐藏、1个输出或4个隐藏和1个输出？您必须测试许多架构，从一个隐藏层和少量神经元开始。然后你应该一步一步地增加神经元的数量和层数。甚至可以用正弦或余弦激活函数来学习整个函数。代替暴力测试，使用具有良好特征的级联相关算法。是的，四层意味着两组隐藏层。同样的方程。一个四层网络理论上能够逼近任何函数x不连续或不连续。我只使用1。培训期。四层NN意味着：1个输入、3个隐藏、1个输出或4个隐藏和1个输出？您必须测试许多架构，从一个隐藏层和少量神经元开始。然后你应该一步一步地增加神经元的数量和层数。甚至可以用正弦或余弦激活函数来学习整个函数。代替暴力测试，使用具有良好特征的级联相关算法。是的，四层意味着两组隐藏层。但方程是一样的。理论上，一个四层网络能够逼近任何函数x，不管它是否不连续。