关于bp神经网络的权值问题 比如第一个数据训练了一套权值，当第二个

训练集样本的不同肯定会影响到权值的变化。你要训练的数据 就是你希望一个系统输入一些数据时 能固定得到的那些数据，训练集要是随即那就没意义了，神经网络权值初始值是可以随即的，但随着训练继续，权值将趋于稳定，这样才能达到神经网络的效果。

对y=x1^2+x2^2非线性系统进行建模，用1500组数据对网络进行构建网络，500组数据测试网络。由于BP神经网络初始神经元之间的权值和阈值一般随机选择，因此容易陷入局部最小值。本方法使用遗传算法优化初始神经元之间的权值和阈值，并对比使用遗传算法前后的效果。

步骤：

未经遗传算法优化的BP神经网络建模

1、

随机生成2000组两维随机数(x1,x2)，并计算对应的输出y=x1^2+x2^2，前1500组数据作为训练数据input_train，后500组数据作为测试数据input_test。并将数据存储在data中待遗传算法中使用相同的数据。

2、

数据预处理：归一化处理。

3、

构建BP神经网络的隐层数，次数，步长，目标。

4、

使用训练数据input_train训练BP神经网络net。

因为初始权值和阈值是随机产生的。

神经网络每次结果不同是因为初始化的权值和阈值是随机的,因为每次的结果不一样，才有可能找到比较理想的结果,找到比较好的结果后，用命令save filename net;保存网络，可使预测的结果不会变化，调用时用命令load filename net;    

优劣势：

BP神经网络无论在网络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网络结构。网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。但是BP神经网络也存在以下的一些主要缺陷。

①学习速度慢，即使是一个简单的问题，一般也需要几百次甚至上千次的学习才能收敛。

②容易陷入局部极小值。

③网络层数、神经元个数的选择没有相应的理论指导。

④网络推广能力有限。

对于上述问题，目前已经有了许多改进措施，研究最多的就是如何加速网络的收敛速度和尽量避免陷入局部极小值的问题。