【文章內容簡介】 由于輸入量有時無法直接得到，通常需要從原始數據中提取能反映其特征的參數作為網絡的輸入，通常有以下四種表示方法：（1）文字符號；（2）曲線符號；（3）函數自變量；（4）圖像輸出量的表示輸出量指網絡的實際輸出，網絡的輸出量通常是不固定的，可以有單個輸出，也可以有多個輸出。輸出變量可以是語言變量，也可以為數值變量。下面是輸出變量的幾種表示方法[24]：（1）數值表示法 對于漸變式的分類，通常需要將語言值用二值數值來表示。同時，數值的選擇要保持由小到大的漸變關系，并要適當調整距離。（2）“中取1”法 “中取1”法假定輸出向量的維數等于類別數，輸入樣本為那一類，對應的輸出分量取為1，其余分量取0。（3）“”法 假如用個全為0的輸出向量表示某個類別，就可以節(jié)省一個輸出節(jié)點。尤其是輸出只有兩種可能性時，用0、1可清晰表達。輸入輸出數據的尺度變換對輸入輸出數據，通常需要進行尺度變換（歸一化），將網絡的輸入、輸出限制在[0,1]或[1,1]之間。進行歸一化的主要原因[24]：（1）網絡的輸入數據通常具有不同的物理意義，如一輸入分量在0～1103內變化，而另一個則在1103～0內變化。尺度變換可將所有分量變換到[0,1]或[1,1]之間，在網絡訓練開始時，給各輸入以同等重要的地位。（2）BP網絡的激勵函數采用Sigmoidal函數，變換后，可避免因凈輸入的絕對值過大而使輸出飽和，進而使權值調整進入誤差曲面的平坦區(qū)。變換公式如下：（a）將輸入輸出數據變換到[0,1]之間： （）其中，為數據最小值，為最大值，為輸入或輸出數據。（b）將輸入輸出數據變換為[1,1]之間： （） （）其中，為數據最小值，為數據中間值，為最大值，為輸入或輸出數據。訓練集的選取網絡性能與訓練樣本密切相關，采用不同的訓練集對神經網絡泛化能力的影響甚至超過神經網絡結構（隱節(jié)點數）對泛化能力的影響[25]。好的訓練集既要考慮樣本數量，又要考慮樣本質量[24]。 （1）訓練樣本數的確定 通常情況下，訓練樣本數越多，訓練結果越能更好地反映其內在規(guī)律[26][27]，但樣本的收集常常受客觀條件的制約。而且，當樣本個數達到一定數目時，網絡的精度不但不會提高，反而可能下降[24]。網絡訓練時，所需要的樣本數通常決定于輸入輸出非線性映射的復雜程度。為了保證一定的映射精度，需要較多的樣本和較大的網絡規(guī)模。