BP神经网络动量因子不理解

1. BP神经网络动量因子不理解

BP神经网络在批处理训练时会陷入局部最小，也就是说误差能基本不变化其返回的信号对权值调整很小但是总误差能又大于训练结果设定的总误差能条件。这个时候加入一个动量因子有助于其反馈的误差信号使神经元的权值重新振荡起来。可以参看一些专门介绍神经网络的书籍。

2. matlab中动量的梯度的动量因子mc设置为多少合适

由R维输入样本最大最小值构成的R*2维矩阵、各层神经元个数、各层神经元的传递函数以及训练用函数的名称。
clc;
clear all;
p=[1,8,1,1; 1,8,15,21];
t=[0,1,2,3];
net=newff(minmax(p),[3,1],{'tansig','purelin'},'traingda');
net.trainParam.show=50;
net.trainParam.lr=0.05;
net.trainParam.mc=0.9;
net.trainParam.epochs=300;
net.trainParam.goal=1e-5;
[net,tr]=train(net,p,t);a=sim(net,p)

3. momentum-factor是什么意思

momentum-factor
 动量因素；动量因子；惯性因子
例句筛选
1.
can only use a big learning rate combined with a small momentum factor get alearning precision smoothly.
学习率和动量因子大小搭配使用才能够平稳达到学习精度。
 

2.
Improved BP algorithm-momentum factor-adapted learning rate algorithm was cited.
引入一种改进的BP算法-动量因子-自适应学习率算法。

4. Fama-French 五因子模型解释了动量效应和反转效应吗

觉得FF5能解释动量效应，否则不会把Carhart的第四个因子舍弃。
上证180指数交易，通过考察动量和反转策略的收益情况 验证中短期动量效应和反转效应的存在性，并分析不同市场形势下的效应差异，之后根据流通市值将A股市场划分为大盘股和小盘股，探讨交易量冲击和收益率冲击 下的股价反应不足或过度反应与动量或反转效应之间的关系。在BSV模型和HS模型的基础上，对动量和反转效应的形成机制提供一个可能的解释。

5. 用FLUENT模拟，continuity总是不收敛，但是修改松弛因子中的momentum动量因子为0.08左右才收敛，

一般是不可靠的

物性、网格等因素都可能导致收敛问题

6. BP神经网络模型各个参数的选取问题

样本变量不需要那么多，因为神经网络的信息存储能力有限，过多的样本会造成一些有用的信息被丢弃。如果样本数量过多，应增加隐层节点数或隐层数目，才能增强学习能力。

一、隐层数
一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。一般来讲应设计神经网络应优先考虑3层网络（即有1个隐层）。一般地，靠增加隐层节点数来获得较低的误差，其训练效果要比增加隐层数更容易实现。对于没有隐层的神经网络模型，实际上就是一个线性或非线性（取决于输出层采用线性或非线性转换函数型式）回归模型。因此，一般认为，应将不含隐层的网络模型归入回归分析中，技术已很成熟，没有必要在神经网络理论中再讨论之。
二、隐层节点数
在BP 网络中，隐层节点数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，但是目前理论上还没有一种科学的和普遍的确定方法。 目前多数文献中提出的确定隐层节点数的计算公式都是针对训练样本任意多的情况，而且多数是针对最不利的情况，一般工程实践中很难满足，不宜采用。事实上，各种计算公式得到的隐层节点数有时相差几倍甚至上百倍。为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。研究表明，隐层节点数不仅与输入/输出层的节点数有关，更与需解决的问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。

7. fluent里的亚松驰因子如何设置？

松弛因子是用来控制变量每次迭代的变化的，主要影响迭代的收敛速度和收敛情况，松弛因子在0-1之间，越小代表两次迭代变化越小，这样计算比较稳定，但是计算速度慢。
一般fluent默认的松弛因子对于大多数问题都是适用的。如果你的问题比较复杂，开始阶段不容易收敛的话，可以相应把松弛因子改小一点。
设置时solve-control里，如下图：

亚松弛因子    
由于流体力学中要求解非线性的方程,在求解过程中,控制变量的变化是很必要的，这就通过松弛因子来实现的。它控制变量在每次迭代中的变化。也就是说,变量的新值为原值加上变化量乘以松弛因子。
如：
A1=A0+B*DETA
A1 新值
A0 原值
B 松弛因子
DETA 变化量
松弛因子可控制收敛的速度和改善收敛的状况!B=1，相当于不用松弛因子。B>1,为超松弛因子,加快收敛速度。B<1,欠松弛因子,改善收敛的条件。一般来讲,大家都是在收敛不好的时候，采用一个较小的欠松弛因子。Fluent里面用的是欠松弛，主要防止两次迭代值相差太大引起发散。松弛因子的值在0～1之间，越小表示两次迭代值之间变化越小，也就越稳定，但收敛也就越慢。
1、亚松弛（Under Relaxation）：所谓亚松弛就是将本层次计算结果与上一层次结果的差值作适当缩减，以避免由于差值过大而引起非线性迭代过程的发散。用通用变量 来写出时，为松弛因子（Relaxation Factors）。《数值传热学-214》
2、FLUENT中的亚松弛：由于FLUENT所解方程组的非线性，我们有必要控制 的变化。一般用亚松弛方法来实现控制，该方法在每一步迭代中减少了 的变化量。亚松弛最简单的形式为：单元内变量 等于原来的值 加上亚松弛因子a与 变化的积分离解算器使用亚松弛来控制每一步迭代中的计算变量的更新。这就意味着使用分离解算器解的方程，包括耦合解算器所解的非耦合方程（湍流和其他标量）都会有一个相关的亚松弛因子。在FLUENT中，所有变量的默认亚松弛因子都是对大多数问题的最优值。这个值适合于很多问题，
但是对于一些特殊的非线性问题（如：某些湍流或者高Rayleigh数自然对流问题），在计算开始时要慎重减小亚松弛因子。
使用默认的亚松弛因子开始计算是很好的习惯。如果经过4到5步的迭代残差仍然增长，你就需要减小亚松弛因子。有时候，如果发现残差开始增加，你可以改变亚松弛因子重新计算。在亚松弛因子过大时通常会出现这种情况。最为安全的方法就是在对亚松弛因子做任何修改之前先保存数据文件，并对解的算法做几步迭代以调节到新的参数。最典型的情况是，亚松弛因子的增加会使残差有少量的增加，但是随着解的进行残差的增加又消失了。如果残差变化有几个量级你就需要考虑停止计算并回到最后保存的较好的数据文件。

8. 学习速率和冲量因子在MATLAB神经网络工具箱的哪里进行设置

学习速率是：net.trainParam.lr=XXX
冲量因子？动量因子吧：net.trainParam.mc=XX