所以我有这样的事情， 的 Y = L3 * [SIN（theta1）* COS（theta2）* COS（theta3）+ COS（theta1）* SIN（theta2）* COS（theta3）-sin（theta1）* SIN（theta2）* SIN（ theta3）+ COS（theta1）* COS（theta2） SIN（theta3）] + L2 [SIN（theta1）* COS（theta2）+ COS（theta1）* SIN（theta2）] + L1 *罪（theta1）+ 10;
和x类似的东西。其中thetai是指定间隔的角度和li的一些系数。任务是方程的近似反演，所以你设置x和y，结果将是合适的theta。所以我从指定的间隔随机生成thetas，计算x和y。然后我在＆lt; -1,1＆gt;之间指定x和y。并且在＆lt; 0,1＆gt;之间。我用这种方式作为训练集的数据，网络的输入被归一化为x和y，输出被归一化为thetas。
我训练网络，尝试了不同的配置，整夜培训后网络的绝对误差仍然在24.9％左右。它太多了，所以我不知道该怎么做。
技术信息
由于训练算法使用了错误反向传播。神经元具有乙状结肠激活功能，单位有偏差。我尝试了拓扑：[2 50 3]，[2 100 50 3]，训练集的长度为1000，训练持续时间为1000个周期（在一个周期内我遍历所有数据集）。学习率为0.2。
近似误差计算为
abs的总和（desired_output - reach_output）/ dataset_lenght 。
使用过的优化器是随机梯度下降。
损失函数，
1/2（期望到达）^ 2
网络是在我的NN的Matlab模板中实现的。我知道这是一个弱点，但我确信我的模板是正确的，因为（XOR问题的成功解决方案，微分方程的近似，状态调节器的近似）。但是我展示了这个模板，因为这些信息可能很有用。
修改 我在theta范围内使用了2500个唯一数据。
θ1<0,180>，θ2<-130,130>，θ3<-150,150>
我也尝试使用更大的数据集，但准确性并没有提高。