我正在開發淡水質量管理設備，可用於湖泊和河流等淡水體。該項目是流傳於三個部分：正在使用BPNN進行水質管理和矯枉過正？
現在我關心的是，是否使用BP神經網絡會對這個項目來說是否過火？如果是，我應該選擇哪種方法/工具？
做一些 「它曾經是」 is not always the best idea的方式。一般來說，如果你沒有強，分析原因要選擇你不應該永遠開始使用它神經網絡。神經網絡訓練非常棘手，擁有大量超參數，非確定性和計算成本昂貴。 總是從最簡單的模型開始，只有當它產生不良結果時纔會移動到更復雜的模型。從理論上的視角來看，Vapnik定理強有力地證明了它的正確性，並且從實際上來看它類似於編程中的敏捷方法。
那麼從哪裏開始？
如果所有的人都失敗 - 想想「古典「神經網絡。但機會相當小。
反向傳播（BP）是用於使用梯度下降學習人工神經網絡模型參數的方法。它以有效的方式計算梯度。還有其他方法來訓練這些模型，但由於許多原因，BP更常用。我對項目規模和收集的數據量一無所知，但如果示例數量很大，神經網絡會更有效。如果你有10個屬性（pH值，濁度...），並且可能超過2-3k個例子，那麼神經網絡可能會有所幫助。
但是，你不應該認爲神經網絡是有史以來的模型。您需要嘗試不同的型號並選擇能夠提供最佳性能的型號。
神經網絡是一個函數逼近器。如果你有什麼是輸入的實值向量，並且與這些向量中的每一個相關聯，那麼你就有一個目標實數或分類，例如「好」，「壞」，「紅色」等，那麼神經網絡可以被用來解決你的問題。 神經網絡最簡單的形式是函數形式n（x）：= g（Wh（Ax + b）+ c），其中A和W是矩陣，b和c是向量，h是分量 - 非線性函數，通常是一個sigmoid函數，g是一個函數，其值與目標空間的值相同。 在你的情況下，你的輸入矢量，如上面的x表示，將包含pH值，濁度等，你的目標是湖將維持多長時間。如果您的網絡得到了「訓練」，它將能夠在給定一個看不見的輸入的情況下（對pH和濁度等進行新的測量），計算湖泊持續時間的近似值。 「訓練」神經網絡包括選擇A，W，b，c的參數。這些參數中有多少取決於您爲A和W選擇了多少列（因此也取決於b和c）。選擇這些參數的一種方法是使函數n（x）接近您在所有歷史（訓練）示例中的實際測量目標。更具體地說，選擇A，W，b，c以最小化E（A，W，b，c）：其中t（x）是你歷史測量的目標當在x）中測量pH和濁度時，該湖持續多長時間。一種嘗試使E比A，W，b，c最小的方法是計算E相對於每個參數的梯度，然後通過稱爲反向傳播的算法向梯度的負值邁進一步。
我想要說明的是，當參數固定時，神經網絡的計算是確定性的，但是有一些算法用於計算E不確定性的梯度。其他一些算法是確定性的。
所以，所有的背景，是神經網絡矯枉過正你的項目？這取決於你試圖從你的觀察到你試圖預測的輸出的近似函數。一個神經網絡是否會給你很好的預測準確度取決於很多因素，其中最重要的可能是你需要訓練多少個例子。如果相對於預測因子的數量沒有很多訓練樣例，神經網絡可能不是您想要的，但大多數情況下，這是一個經驗問題，而不是理論問題。
好的是，如果你願意使用python，那麼有很好的庫可以讓你對這些測試非常簡單。如果你嘗試一個神經網絡，但它不能給你很好的預測，還有很多其他的迴歸方法可以嘗試。你可以嘗試線性迴歸（這是一個神經網絡的特例），或者例如一個隨機森林。如果你使用sklearn進行線性迴歸和隨機森林，所有這些都很容易在Python中進行編碼。有幾個神經網絡庫可以讓他們玩起來很容易。我建議神經網絡張量流。
我的建議是花一點時間嘗試幾種方法。對於這樣一個相對簡單的預測問題，訓練網絡的時間應該很短。您可能聽說過的幾天或幾周的較長時間是大規模數據集，包含數百萬甚至數十億訓練示例和數百萬個參數。
這裏http://pastebin.com/KrUAX9je是我創建 「學習」 來近似函數f的玩具神經網絡（A，B，C）=一個b℃。
反向傳播是微分計算方法，而不是網絡類型。這裏的網絡類型是前饋網絡。它可以用來解決你的問題，看起來像你需要線性輸出層（用於迴歸問題）。它並不過分，但您也可以嘗試使用線性迴歸或多項式迴歸。 –