BP神经网络中初始权值和阈值的设定

1、首先需要了解BP神经网络是一种多层前馈网络。

2、以看一下在matlab中BP神经网络的训练函数，有梯度下降法traingd,d性梯度下降法trainrp，自适应lr梯度下降法traingda等。

3、在matlab中命令行窗口中定义输入P，输出T，·通过“newff(minmax(P),[5,1]构建BP神经网络，“[net,tr]=train(net,P,T);”进行网络训练，“sim(net,P)”得到仿真预测值。

4、在命令行窗口按回车键之后，可以看到出现结果d窗，最上面的Neural Network下面依次代表的是“输入、隐含层、输出层、输出”，隐含层中有5个神经元。

5、Progress下面的Epoch代表迭代次数，Gradient代表梯度，Vaildation Checks代表有效性检查，最后的绿色对勾代表性能目标达成。

6、最后将实际曲线和预测曲线绘制出来，可以看到使用BP神经网络预测的结果曲线基本和实际输出曲线一致。

可以。

看你自己对bp的设计，如果你的权值更新里面只是对n个神经元的权值更新，就是默认另外的那个为0 此时y=f(x)。

而如果你的权值更新包括对另外一个b的更新，则y=f(x)+b而已。

似乎从精度上说，也没有太大区别。

netIW 属性定义了从网络输入向量到网络层的权值向量（即输入层的权值向量）结构。其值为NlNi的细胞矩阵，Nl为网络层数（netnumLayers)，Ni为输入向量数（netnumInputs）。通过访问netIW{i,j}，可以获得第i 个网络层来自第j 个输入向量的权值向量值。 所以一般情况下net,iw{1,1}就是输入层和隐含层之间的权值。

netLW定义了从一个网络层到另一个网络层的权值向量结构。其值为NlNl的细胞矩阵，Nl为网络层数（netnumLayers)。通过访问netLW{i,j}，可以获得第i 个网络层来自第j 个网络层的权值向量值。 因此，如果网络是单隐含层，netlw{2,1}就是输出层和隐含层之间的权值。

最需要理解的就是：这都是元胞数组。