bp神经网络如何计算权值和阈值，bp神经网络和神经网络有什么区别呢

第一需了解BP神经互联网是一种多层前馈互联网。以看看在matlab中BP神经互联网的训练函数，有梯度下降法traingd,弹性梯度下降法trainrp，自适应lr梯度下降法traingda等。

因为初始值（初始权值和阀值）都在x这个向量中，x（n，1）的长度n为：n=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum

这当中inputnum*hiddennum是输入层到隐含层的权值数量，hiddennum是隐含层神经元个数（即隐含层阀值个数），hiddennum*outputnum是隐含层到输出层权值个数，outputnum是输出层神经元个数（即输出层阀值个数）。

结构

BP互联网是在输入层与输出层当中增多若干层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出当中的关系，每一层可以有若干个节点。

BP神经互联网的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每～层神经元的状态只影响下一层神经元的状态。假设在输出层不可以得到希望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过更改各神经元的权值，让误差信号小。

一、计算方式不一样

1、前馈神经互联网：一种简单的神经互联网，各神经元分层排列。每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层．各层间没有反馈。

2、BP神经互联网：是一种根据误差逆向传播算法训练的多层前馈神经互联网。

3、卷积神经互联网：包含卷积计算且具有深度结构的前馈神经互联网。

二、用途不一样

1、前馈神经互联网：主要应用涵盖感知器互联网、BP互联网和RBF互联网。

2、BP神经互联网：

（1）函数逼近：用输入向量和对应的输出向量训练一个互联网逼近一个函数；

（2）模式识别：用一个还未确定的输出向量将它与输入向量联系起来；

（3）分类：把输入向量所定义的适合方法进行分类；

（4）数据压缩：减少输出向量维数以方便传输或存储。

3、卷积神经互联网：可应用于图像识别、物体识别等计算机视觉、自然语言处理、物理学和遥感科学等领域。

联系：

BP神经互联网和卷积神经互联网都属于前馈神经互联网，三者都属于人工神经互联网。因为这个原因，三者原理和结构一样。

三、作用不一样

1、前馈神经互联网：结构简单，应用广泛，可以以任意精度逼近任意连续函数及平才可以积函数．而且，可以精确达到任意有限训练样本集。

2、BP神经互联网：具有很强的非线性映射能力和柔性的互联网结构。互联网的中间层数、各层的神经元个数可按照详细情况任意设定，并且随着结构的差异其性能也带来一定不一样。

3、卷积神经互联网：具有表征学习能力，可以按其阶层结构对输入信息进行平移不变分类。

扩展资料：

1、BP神经互联网优劣势

BP神经互联网不管在互联网理论还是在性能方面已比较成熟。其突出优点就是具有很强的非线性映射能力和柔性的互联网结构。互联网的中间层数、各层的神经元个数可按照详细情况任意设定，并且随着结构的差异其性能也带来一定不一样。但是，BP神经互联网也存在以下的一部分主要缺陷。

（1）学习速度慢，就算是一个简单的问题，大多数情况下也需几百次甚至上千次的学习才可以收敛。

（2）容易陷入局部极小值。

（3）互联网层数、神经元个数的选择没有对应的理论详细指导。

（4）互联网推广能力有限。

2、人工神经互联网的特点和优越性，主要表目前以下三个方面

（1）具有自学习功能。比如达到图像识别时，只在先把不少不一样的图像样板和对应的应识别的结果输入人工神经互联网，互联网就可以通过自学习功能，慢慢学会识别类似的图像。自学习功能针对预测有非常重要的意义。预期未来的人工神经互联网计算机将为人类提供经济预测、效益预测，其应用前途是很远大的。

（2）具有联想存储功能。用人工神经互联网的反馈互联网完全就能够达到这样的联想。

（3）具有高速找寻优化解的能力。找寻一个复杂问题的优化解，时常需很大的计算量，利用一个针对某问题而设计的反馈型人工神经互联网，发挥计算机的高速运算能力，可能很快找到优化解。

BP 神经互联网是一类根据误差逆向传播 (BackPropagation, 简称 BP) 算法的多层前馈神经互联网，BP算法是迄今成功的神经互联网学习算法。现实任务中使用神经互联网时，大多是在使用 BP 算法进行训练。值得指出的是，BP算法不仅可用于多层前馈神经互联网，还可以用于其他类型的神经互联网，比如训练递归神经互联网。但我们一般说 “BP 互联网” 时，大多数情况下是指用 BP 算法训练的多层前馈神经互联网。

BP(back propagation)神经互联网是1986年由Rumelhart和McClelland为首的科学家提出的概念是一种根据误差逆向传播算法训练的多层前馈神经互联网是应用广泛的神经互联网模型之一

BP神经互联网具有任意复杂的模式分类能力和优良的多维函数映射能力，处理了简单感知器不可以处理的异或(Exclusive OR，XOR)和一部分其他问题。从结构来说，BP互联网具有输入层、隐藏层和输出层；从实质来说，BP算法就是以互联网误差平方为目标函数、采取梯度下降法来计算目标函数的小值。

newff函数建立BP神经互联网，历史数据作为样本，比如前n个数据作为输入，输入节点为n。现目前数据作为p，输出节点为1。隐层节点按照试凑法得到。通过matlab的train函数，得到训练好的BP神经互联网。再将现目前预测点的前n个数据作为输入，输出即为现目前的预测值。

你说的是lr吧？ 学习率的作用是持续性调整权值阈值。 针对traingdm等函数建立的BP互联网，学习速率大多数情况下取0.01-0.1当中。