我们有 4 个彼此非线性相关的数字输入。我们的目标是通过使用反向传播模型来预测输出。我们正在成像的场景如下，
据我们所知（我们没有透彻的理解），我们正在考虑计算任何神经元的输出（Y）的方程是，
Y = w1 * X1 + w2 * X2 + w3 * X3 + w4 * X4 ?
其中，
Y 是输出 X 是输入 ( X1,X2,X3,X4) w 是权重
因此，在输出层，如果输出（Y）与预期不同，我们将使用纠错来修改权重。
非线性数据集是否需要特定的输出函数（假设函数）？或者上面的功能可以用吗？
这是用数学思考的好方法，但我不同意你上面列出的等式。
对于隐藏神经元 1 (HN1)，其输入 (inputHN1) 为
w11*X1 + w21*X2 + w31*X3 + w41*X4; 输出是
f(inputHN1)。请注意，它f()可能是非线性函数（也可以是线性函数）。
对于 HN2，我们有f(inputHN2)
Y = beta1*f(inputHN1) + beta2*f(inputHN2)
MLP 的权重（w 和 beta）将通过反向传播进行训练。
您会看到，如果f()它是非线性的，那么对非线性函数进行建模是完美的。
当然如果f()是线性的，它只能对线性函数给出很好的近似。
好吧，如果您对要建模的内容有先验知识，那么该假设总是有帮助的。例如，除了一阶，您可以使用二阶，例如 X1X2、X1^2 等。