本站原创文章，转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com
BP神经网络是一个常用的黑箱模型，以自提出以来，已应用于各种各样的传统场景
通过本文，可以了解BP神经网络解决了什么问题，它是如何解决问题的，以及BP神经网络的一些实际使用场景
本节描述BP神经网络解决了什么场景的什么问题
问题
已知 y 和 X 存在某种关系( X 和 y 可以是一个向量)
我们希望得到 y 和 X 的数学关系，这样在知道 X 的值，可以求得y的值
✍️问题场景细分
对于该问题一般有三种场景
👉 场景一 : 完全白箱
第一种场景是，我们完全知道X和y的内部机制，那么我们可以根据X和y的逻辑关系推导出X和y的数学关系
例如物体自由落体运动时，位置与时间的关系
👉 场景二 : 半白箱
第二种场景是，我们只知道X和y的部分逻辑关系，得到的数学表达式带有参数，
那么，我们可以通过采集历史数据，用最小误差的方法，去估算参数。
例如，根据胡克定律，我们知道力和形变量成线性关系：F=-kx，k待定，可以采集数据，估算出k
👉 场景三 : 完全黑箱
第三种场景是，我们完全不知道X和y的逻辑关系。这时的解决方案是，采集到大量历史数据样本，
再找一个函数，通过调整函数的参数，使函数与历史数据吻合，再用测试数据，检验该函数在新样本中是否可用
BP解决了什么问题
通过对比，我们可以知道，
👉 第一种场景得到的数学关系是非常可靠的
👉 第二种其次
👉 第三种就纯属黑箱拟合了
在x、y之间的逻辑较清晰时，第三种方案一般用不上
但在X 和y的内部逻辑完全不知道，或过于复杂时，第三种反而是一种唯一可用的方案
而BP，就是解决第三种场景-黑箱场景的众多方法中极为出彩的方法之一！
本节展示一个例子，说明BP神经网络是如何解决上述问题的
BP神经网络是如何解决问题的-举例
我们对系统采集了一些历史样本，
投放到一个3个隐神经元的网络(实际就是一个函数F(X))中训练，如下：
在历史数据训练好后，就可以投入生产中进行预测，
例如，输入【0.5，0.5】，网络就输出0.7636的预测值
这样即使不知道输入输出的关系，仍然可以通过BP神经网络进行预测
下面我们列举一些BP神经网络常用于解决的问题
BP神经网络实际使用场景
BP在实际中，适用的场景很多，
例如：数值预测、模式识别、曲线拟合、数据压缩(特征提取) 等等
BP神经网络是可以解决很多问题的，比较万能，但我们不会所有问题都会使用BP神经网络
在我们在知道X，Y之间的一些特性的条件下， 我们更愿意充分利用这些特性，建立其他模型，这样更具解释性
好了，以上就是《BP神经网络解决什么问题》的所有内容了
End
