再看BP神经网络

标签：

权值

BP网络中 w(1,1)  表示第 1 个输入矢量在输入层和隐含层中的权值。
                w(1,2)  表示第 2 个输入矢量在输入层和隐含层中的权值。
             ...w(1, j )  表示第 j 个输入矢量在输入层和隐含层中的权值。

w(2,1) ：第 1 个输入矢量在隐含层和输出层中的权值。。。。
   若w( i , j ) 中i > 2，则有多个隐含层。

1.

net.IW 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Nl*Ni的细胞矩阵，Nl为网络层数（net.numLayers)，Ni为输入向量数（net.numInputs）。

通过访问net.IW{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。

2.
net.LW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Nl*Nl的细胞矩阵，Nl为网络层数（net.numLayers)。　　

通过访问net.LW{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，net.lw{2,1}就是输出层和隐含层之间的权值

阈值

net.b是BP神经网络的阈值，

net.b{1}        隐含层阈值

net.b{2}        输出层阈值

再看BP神经网络

标签：

原文地址：http://www.cnblogs.com/fengyanlover/p/4787134.html