神经网络问题，什么阈值是2,中间层到输出层权值为什么是{2,1}

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。

请理解程序中的变量含义：

inputnum：输入层节点数

hiddennum：隐层节点数

outputnum：输出层节点数

因此，当输入为3时，如果前面有inputnum=size(P,1);语句，将会自适应确定输入节点数；如果没有使用该语句，直接将inputnum赋值为3即可，即加上inputnum=3;

你这段代码是GA-BP神经网络最后的染色体解码阶段的代码，注意染色体编码结构为：输入层与隐层间权值矩阵、隐层阈值、隐层与输出层间权值矩阵、输出层阈值。

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。

因为神经元的传输函数在[0,1]之间区别比较大，如果大于1以后，传输函数值变化不大（导数或斜率就比较小），不利于反向传播算法的执行。反向传播算法需要用到各个神经元传输函数的梯度信息，当神经元的输入太大时（大于1比如），相应的该点自变量梯度值就过小，就无法顺利实现权值和阈值的调整）。传输函数比如logsig或tansig，你可以把函数图像画出来，会发现，[-1,1]之间函数图像比较徒，一阶导数（梯度）比较大，如果在这个敬意范围之外，图像就比较平坦，一阶导数（梯度）就接近0了。

不一定，也可设置为[-1，1]之间。事实上，必须要有权值为负数，不然只有激活神经元，没有抑制的也不行。至于为什么在[-1，1]之间就足够了，这是因为归一化和Sigmoid函数输出区间限制这两个原因。一般在编程时，设置一个矩阵为bounds=ones(S,1)[-1,1]; %权值上下界。

在MATLAB中，可以直接使用net = init(net);来初始化。我们可以通过设定网络参数netinitFcn和netlayer{i}initFcn这一技巧来初始化一个给定的网络。netinitFcn用来决定整个网络的初始化函数。前馈网络的缺省值为initlay，它允许每一层用单独的初始化函数。设定了netinitFcn ，那么参数netlayer{i}initFcn 也要设定用来决定每一层的初始化函数。对前馈网络来说，有两种不同的初始化方式经常被用到：initwb和initnw。initwb函数根据每一层自己的初始化参数(netinputWeights{i,j}initFcn)初始化权重矩阵和偏置。前馈网络的初始化权重通常设为rands，它使权重在-1到1之间随机取值。这种方式经常用在转换函数是线性函数时。initnw通常用于转换函数是曲线函数。它根据Nguyen和Widrow[NgWi90]为层产生初始权重和偏置值，使得每层神经元的活动区域能大致平坦的分布在输入空间。