神經網路ANN SPSS實現

神經網路

一、起源與歷史

1、與傳統統計方法的區別

傳統線性回歸模型可通過最小平方方法獲取知識並在回歸係數儲存知識。在此意義下，其為神經網路。實際上，您可以證明線性回歸為特定神經網路的特殊個案。但是，線性回歸具有嚴格模型結構和在學習資料之前施加的一組假設。

神經網路可以接近多種統計模型，並無需您預先假設因變數和自變數間的特定關係。

若因變數和自變數間實際為線性關係，神經網路結果應接近線性回歸模型的結果；

若兩者為非線性關係，神經網路將自動接近「正確」模型結構。

但是如果您正試**釋生成因變數和自變數間關係的基礎過程，最好使用更傳統的統計模型。但是，如果模型的可解釋性並不重要，您可以使用神經網路更快獲取良好模型結果。

2、多層感知器mlp的應用

兩大重要的應用：特徵選擇（變數選擇）；**。

因變數的取值範圍很廣。

如何提高訓練速度：編碼問題（多數「壓縮」編碼方法通常導致較差的擬合神經網路。如果您的網路培訓進行很慢，嘗試通過將類似的類別組合起來或刪除具有極少見類別的個案以減少分類**變數中的類別數目）；

3、非線性分析的應用

有以下幾種應用在非線性分析的方法：多層感知（mlp）、徑向基函式（rbf）、svm、廣義回歸神經網路（grnn）和廣義神經網路（gnn）。

四、徑向基神經網路（rbfn）

全域性逼近神經網路（bp）多網路所有隱含層、輸出層變數進行賦權、認定閥值，學習速度慢，在實時**中很難做到；

而徑向基神經網路，是區域性逼近，區域性賦值與認定閥值，實際應用能力較強。

1、原理

徑向基函式是一種類似母函式（簡單函式），通過基函式來對映高維空間函式特徵。就像是多項式可以通過x與x次方的方式，逼近某一函式一樣。低維空間非線性可分的問題總可以對映高維空間（輸入——隱含層是徑向基層），使其在高維空間線性可分（隱含層——輸出是線性函式層）。

輸入——隱含層是徑向基層（非線性），隱含層——輸出是線性函式層。徑向基層，徑向基神經元權重與輸入層權重對比，相近的權重設定趨於1，偏離的權重設定趨於0（不起作用）。從而相近權重的輸入變數啟用了「隱含層——輸出層」的權重。

rbfn看上去網路是全連線的，但實質上只有幾個輸入變數對指定的徑向基層有貢獻，所以是乙個區域性逼近的過程，訓練速度比bp要快2-3個數量級。

rbfn比bp隱含層神經元要多，可以構成高維隱單元空間，只要隱含層神經元的數目足夠多，就可以使輸出層空間線性可分。

五、spss的r元件安裝

使用pasw statistics-r essentials外掛程式作為介面，自動安裝。

同時excel也支援了r語言的外掛程式接入。

1、安裝r元件

關於spss外掛程式安裝。