BP网络权值和阀值
想请问一下一个四层BP网怎么显示下面参数：
输入到隐层权值：
第一隐层阈值：
第一隐层到第二隐层权值（需要修改）：
第二隐层层阈值：
第二隐层到输出层权值（需要修改）：
输出层层阈值：
我只知道三层网络怎么设置：
输入到隐层权值： w1=net.iw{1,1}
隐层阈值： theta1=net.b{1}
隐层到输出层权值： w2=net.lw{2,1};
输出层阈值：theta2=net.b{2}
w1=net.iw{1,1}%输入到隐层权值：
theta1=net.b{1}%第一隐层阈值：
w2=net.lw{2,1};%第一隐层到第二隐层权值：
theta2=net.b{2}%第二隐层层阈值：
w3=net.lw{3,2};%第二隐层到输出层权值：
theta3=net.b{3}%输出层层阈值：
已解决，谢谢~
我要建立的模型训练样本很多，一个一个输入P=[ ]是不可能的，应该怎么调用这些数据？把EXCEL放入work文件夹里么？怎么写程序呢？
A=xlsread('excel文件名'，'sheet名');
其中若未给出'sheet名'，就默认是'sheet1'
注意要将excel文件放在当前目录下或指出具体路径
函数将数据存放在 矩阵A 中（但不会把文本格式的字也放在A中，例如每一列有一列名，函数不会把列名也读到A中，如果想读取列名，可指定另外的输出变量，具体见matlab的帮助）。
%%%训练前后bp网络仿真结果分析
clc;
clear;
%设定初始值和终值，终值为一cos序列
p=[-1:0.05:1];
t=0:0.314:6.28*2;
t=cos(t);
%建立相应的BP网络
net=newff(minmax(p),[10,1],{'tansig','purelin'},'trainlm');
%对没有训练的网络进行仿真
y1=sim(net,p);
%训练网络
net.trainParam.epochs=50;
net.trainParam.goal=0.01;
net=train(net,p,t);
%对训练后的网路进行仿真
y2=sim(net,p);
% 画出各种情况
% plot(p,t,'r-')
% hold on;
% plot(p,y1,'g-')
% plot(p,y2,'b-') ;
% plot(p,t,'-',p,y1,'--',p,y2,'--')
legend('目标值','未训练结果','训练结果');
我用MATLAB仿真基于LM算法的BP神经网络训练，为什么学习率、激发函数等参数都不改变的情况下，每次训练结果的误差及训练次数都不一样呢？是否因为是初始阈值等产生的？要怎么样才能解决这个问题？另外，若改变隐层节点数，也要求在同样的条件下进行网络性能对比，要怎么做？谢谢
问题找到了，可能是归一化公式premnmx中min和max的问题，很多文献中都说测试数据的归一化也用训练数据归一化时得出的min和max值，用了tramnmx导致测试数据输出结果错的离谱。在现在的程序中不使用tramnmx，而是在训练时，用premnmx归一化，训练网络的误差达到1e-5，再对测试数据用premnmx进行归一化得出另一组min和max值，通过训练好的网络进行结果运算后，再用postmnmx(A2,mint,maxt)【mint和maxt为测试数据归一化时得出
的最小最大值；A2为测试输入通过网络得出的输出】对输出进行处理后，得出的结果与测试集的期望输出比较，但误差并未达到1e-5，但是误差绝对值都小于1，不知有何问题？
1、训练数据回代入网络测试，比上面说的另外测试数据测试误差要小很多，虽然也没有达到1e-5这么小，不知为何？
2、[net,tr]=train(net,Pn,Tn); %训练后，网络误差达到1e-5停止
A=sim(net,Pn);
E=A-Tn;
执行后，为何E中每个值并不是1e-5的数量级，最小的为0.0001，最大的可以达到0.0191呢？
谢谢
1.初始权值不一样，如果一样，每次训练结果是相同的
2.是
3.在train之前修改权值，IW,LW,b，使之相同
4.取多次实验的均值
一点浅见，仅供参考
训练误差是否降到一定范围内，比如1e-3，
将训练样本回代结果如何，
训练样本进行了预处理，比如归一化，而测试样本未进行同样的处理
这样的归一化似有问题，我也认为“测试数据的归一化也用训练数据归一化时得出的min和max值”，
请参考这个帖子https://www.wendangku.net/doc/6615868599.html,/thread-27021-1-1.html
测试数据带入训练好的神经网络误差当然不会达到1e-5，这是预测啊。
但将训练数据带入误差必然是1e-5，算法终止就是因为达到这个误差才终止，这个误差是由训练数据的输入、输出以及神经网络的权值、激活函数共同决定的，神经网络训练完后，权值、激活函数定了，同样的数据再代入神经网络，误差会不等于1e-5？
第二个问题：不可能每个值都达到1e-5，1e-5是MSE（mean square error），它们的平方和除以总数再开方，mse（E）必为1e-5
另外，LM算法虽然训练最快，但是预测精度一般不好，不如gdm，gdx