看你的描述这么专业，最后怎么问的有点外行，既然系统做图像识别的学习，肯定是需要大数据配合，电脑哪里处理的了，要用服务器，如果是初级应用，那么性能不一定要多强，两台入门级的服务器吧，因为可以支持多线程处理，为了节约，可以买国产的塔式服务器，便宜而且可以不用机柜，现在的服务器大多也都是千兆网卡了，不用特意要求，主要在内存和硬盘，现在的服务器瓶颈就是数据读取速度，资金允许就配固态盘做数据盘，配合前兆网卡

传统神经网络（这里作者主要指前向神经网络）中，采用的是back propagation的方式进行，简单来讲就是采用迭代的算法来训练整个网络，随机设定初值，计算当前网络的输出，然后根据当前输出和label之间的差去改变前面各层的参数，直到收敛（整体是一个梯度下降法）。人工神经网络是生物神经网络在某种简化意义下的技术复现，作为一门学科，它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工

达到设定的网络精度0.001的时候，误差下降梯度为0.0046，远大于默认的1e-5，说明此时的网络误差仍在快速下降，所以可以把训练精度目标再提高一些，比如设为0.0001或者1e-5。达到设定的网络精度0.001的时候，误差下降梯度为0.0046，远大于默认的1e-5，说明此时的网络误差仍在快速下降，所以可以把训练精度目标再提高一些，比如设为0.0001或者1e-5。你输入输出有12年的数据，但

经典的系统辨识方法的发展已经比较成熟和完善，他包括阶跃响应法、脉冲响应法、频率响应法、相关分析法、谱分析法、最小二乘法和极大似然法等。其中最小二乘法(LS)是一种经典的和最基本的，也是应用最广泛的方法。但是，最小二乘估计是非一致的，是有偏差的，所以为了克服他的缺陷，而形成了一些以最小二乘法为基础的系统辨识方法：广义最小二乘法(GI S)、辅助变量法(IV)、增广最小二乘法(EI，S)和广义最小二乘

由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难”．这一切要归功于核函数的展开和计算理论。还需研究硬件化的遗传算法；在SVM理论中，采用不同的核函数将导致不同的SVM算法它是一种以统计学理论为基础的，以结构风险最小化的学习机学习方法，要优于神经网络学习。神经网络的设计要用到遗传算法，遗传算法在神经网络中的应用主要反映在3个方面：

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

3、基于MATLAB语言的网络训练与仿真建立并初始化网络% ================S1 = 24;在学习阶段应该用大量的样本进行训练学习，通过样本的大量学习对神经网络的各层网络的连接权值进行修正，使其对样本有正确的识别结果，这就像人记数字一样，网络中的神经元就像是人脑细胞，权值的改变就像是人脑细胞的相互作用的改变，神经网络在样本学习中就像人记数字一样，学习样本时的网络权值调整就相当于人记

可以说bp神经网络很难得到正确答案，也没有唯一解，有些时候只能是更多次地尝试、修改参数，这个更多依赖自己的经验，通俗点说就是“你觉得行了，那就是行了”，而不像1+1=2那样确切。bp神经网络是有一定缺陷的，比如容易陷入局部极小值，还有训练的结果依赖初始随机权值，这就好比你下一个山坡，如果最开始的方向走错了，那么你可能永远也到不了正确的山脚。另一方面，如果你的训练样本选择的不合适，或者数据表达的太快

神经网络每次结果不同是因为初始化的权值和阈值是随机的,因为每次的结果不一样，才有可能找到比较理想的结果,找到比较好的结果后，用命令savefilenamenet;看来楼主是刚开始学习神经网络的，推荐一些资料给楼主：神经网络之家（专讲神经网络的网站，有视频下载）matlab中文论坛的神经网络专区数学中国的神经网络专区较好的书：MATLAB神经网络原理与实例精解神经网络30个案例分析都是干货，其他的就

卷积神经网络的连接性：卷积神经网络中卷积层间的连接被称为稀疏连接（sparseconnection），即相比于前馈神经网络中的全连接，卷积层中的神经元仅与其相邻层的部分，而非全部神经元相连。卷积神经网络的稀疏连接具有正则化的效果，提高了网络结构的稳定性和泛化能力，避免过度拟合，同时，稀疏连接减少了权重参数的总量，有利于神经网络的快速学习，和在计算时减少内存开销。例如实现图像识别时，只在先把许多不同