MATLAB神經(jīng)網(wǎng)絡工具箱中的網(wǎng)絡對象及屬性

1、1目錄TOC o 1-5 h z HYPERLINK l bookmark2結構屬性1 HYPERLINK l bookmark26函數(shù)屬性4 HYPERLINK l bookmark36參數(shù)屬性6 HYPERLINK l bookmark46權值和閾值屬性7 HYPERLINK l bookmark56子對象的屬性8 1在MATLAB中把定義的神經(jīng)網(wǎng)絡看作一個對象，對象還包括一些子對象：輸入向量、網(wǎng)絡層、輸出向量、目標向量、權值向量和閾值向量等，這樣網(wǎng)絡對象和各子對象的屬性共同確定了神經(jīng)網(wǎng)絡對象的特性。網(wǎng)絡屬性除了只讀屬性外，均可以按照約定的格式和屬性的類型進行設置、修改、引用等。引用格式為

2、：網(wǎng)絡名.子對象.屬性例如：net.Inputs，net.biasConnect(1)，net.inputConnect(1,2)，net.inputs1.range。在MATLAB命令窗口中逐條執(zhí)行以下語句(newp、newff為網(wǎng)絡創(chuàng)建函數(shù))，即可創(chuàng)建網(wǎng)絡netl和net2。p=1,2;-1,1;0,1;netl=newp(p,2);net2=newff(-ll;-ll,l5,2,tansig,purelin,traingdx,learngdm);結構屬性結構屬性決定了網(wǎng)絡子對象的數(shù)目(包括輸入向量、網(wǎng)絡層向量、輸出向量、目標向量、閾值向量和權值向量的數(shù)目)以及它們之間的連接關系。無論何時

3、，結構屬性值一旦發(fā)生變化，網(wǎng)絡就會自動重新定義，與之相關的其他屬性值也會自動更新。numInputs屬性net.numInputs屬性定義了網(wǎng)絡的輸入向量數(shù)，它可以被設置為零或正整數(shù)。其值一般在用戶定義網(wǎng)絡中才被設置，而由MATLAB神經(jīng)網(wǎng)絡工具箱中的網(wǎng)絡定義函數(shù)所創(chuàng)建的網(wǎng)絡,則輸入向量就不止一個，而是多個。所以網(wǎng)絡的輸入向量數(shù)并不是網(wǎng)絡輸入元素的個數(shù)。net.numInputs屬性值一旦改變，與輸入向量相關的輸入層連接向量(net.inputConnect)和輸入層向量(net.inputs)會自動隨之改變。numLayers屬性numLayers屬性定義了網(wǎng)絡的層數(shù)，它可以被設置為零或正整

4、數(shù)。net.numLayers屬性值一旦改變，下列與網(wǎng)絡相關的布爾代數(shù)矩陣就會隨之改變：net.biasConnectnet.inputConnectnet.layerConnectnet.targetConnect下列與網(wǎng)絡層相關的子對象細胞矩陣的大小也會隨之改變：net.biasesnet.inputWeightsnet.layerWeightsnet.outputsnet.targets下列網(wǎng)絡調整參數(shù)細胞矩陣的大小也會隨之改變：net.IWnet.LWnet.b細胞矩陣是將多個矩陣向量作為細胞矩陣的一個“細胞（Cell）”，細胞矩陣的各個元素值為對應細胞的大小和數(shù)值類型。（3）bias

5、Connect屬性net.biasConnect屬性定義各個網(wǎng)絡層是否具有閾值向量，其值為Nl*l布爾型向量（0或1）,Nl為網(wǎng)絡層數(shù)（net.Layers）。可以通過訪問net.biasConnecti的值，查看第i個網(wǎng)絡層是否具有閾值向量。net.biasConnect的屬性值一旦改變，則閾值結構細胞矩陣（net.biases）和閾值向量細胞矩陣（net.b）將隨之改變。（4）inputConnect屬性net.inputConnect屬性定義各網(wǎng)絡層是否具有來自個輸入向量的連接權，其值為Nl*Ni布爾型向量（0或1）,Nl為網(wǎng)絡層數(shù)（net.numLayers）,Ni為網(wǎng)絡輸入向量數(shù)（n

6、et.numInputs）。可以通過訪問net.inputConnect（i,j）的值，來查看第i個網(wǎng)絡是否具有來自第j個輸入向量的連接權。net.inputConnect的屬性值一旦改變，輸入層權值細胞結構矩陣（net.inputWeights）和權值向量細胞矩陣（net.IW）將隨之改變。（5）layerConnect屬性net.layerConnect屬性定義一個網(wǎng)絡層是否具有來自另外一個網(wǎng)絡層的連接權，其值為Nl*Nl的布爾型向量（0或1）,Nl為網(wǎng)絡層數(shù)（net.numLayers）。可以通過訪問net.layerConnect（i,j）的值，來查看第i個網(wǎng)絡層是否具有來自第j個網(wǎng)絡

7、層的連接權。net.layerConnect的屬性值一旦改變，網(wǎng)絡層權值結構細胞矩陣（net.layerWeights）和網(wǎng)絡層權值向量細胞矩陣（net.IW）將隨之改變。（6）outputConnect屬性net.outputConnect屬性定義各網(wǎng)絡層是否作為輸出層，其值為1*Nl的布爾型向量（0或1），Nl為網(wǎng)絡層數(shù)（net.numLayers）?？梢酝ㄟ^訪問net.outputConnect（i）的值來查看第i個網(wǎng)絡層是否作為輸出層。net.outputConnect屬性值一旦改變，網(wǎng)絡輸出層數(shù)目（net.numOutputs）和輸出層結構細胞矩陣（net.outputs）將隨之改變

8、。（7）targetConnect屬性net.targetConnect定義各網(wǎng)絡層是否和目標向量有關，其值為1*Nl的布爾型向量（0或1），Nl為網(wǎng)絡層數(shù)（net.numLayers）?？梢酝ㄟ^訪問net.targetConnect（i）的值來查看第i個網(wǎng)絡層是否和目標向量有關。net.targetConnect屬性值一旦改變，網(wǎng)絡層目標向量的數(shù)目（net.numOutputs）和目標向量結構細胞矩陣（net.targets）將隨之改變。（8）numOutputs屬性（只讀）net.numOtputs屬性值為輸出向量的數(shù)目，它等于outputConnect矩陣中元素值為1（True）的個數(shù)之

9、和，即：numOutputs=sum（net.outputConnect）。（9）numTargets屬性（只讀）net.numTargets屬性值為輸出向量的數(shù)目，它等于targetConnect矩陣中元素值為1（True）的個數(shù)之和，即：numTargets二sum（net.targetConnect）。（10）numInputDelays屬性（只讀）net.numInputDelays屬性定義進行網(wǎng)絡仿真時輸入向量的延遲量。其值總是設置為與網(wǎng)絡輸入相連的權值延遲量的最大值，即numInputDelays=0;fori=1:net.numLayersforj=1:net.numInputs

10、ifnet.inputConnect(i,j)numInputDelays=max(numInputDelaysnet.inputWeightsi,j.delays);endendnumLayerDelays屬性(只讀)net.numLayerDelays屬性定義進行網(wǎng)絡仿真時網(wǎng)絡層輸出到哪員的延遲量。其值總是設置為與網(wǎng)絡相連的權值延遲量的最大值，即numLayerDelays=0;fori=1:net.numLayersforj=1:net.numLayersifnet.layerConnect(i,j)numLayerDelays=max(numLayerDelaysnet.layerWe

11、ightsi,j.delays);endend 1函數(shù)屬性函數(shù)屬性定義了一個網(wǎng)絡在進行權值/閾值調整、初始化、誤差性能計算或訓練時采用的算法。adaptFcn屬性net.adaptFcn屬性定義了網(wǎng)絡進行權值/閾值調整時所采用的函數(shù)，它可以被設置為任意一個進行權值/閾值調整的函數(shù)名，包括trains函數(shù)。adapt函數(shù)一旦被調用，就可以實現(xiàn)網(wǎng)絡權值/閾值的調整：net,Y,E,Pf,Af=adapt(NET,P,T,Pi,Ai)另外，用戶可以自定義權值/閾值調整函數(shù)。adaptFcn屬性值一旦發(fā)生變化，網(wǎng)絡的調整參數(shù)(net.adaptFcn)將被設置為新的調整函數(shù)所包含的參數(shù)及其默認參數(shù)值。

12、initFcn屬性net.adaptFcn屬性定義了網(wǎng)絡初始化權值/閾值向量所采用的函數(shù)，它可以被設置為任意一個進行網(wǎng)絡權值/閾值初始化的函數(shù)名，包括initlay(網(wǎng)絡層初始化函數(shù))工具箱函數(shù)。init函數(shù)一旦被調用，就可以實現(xiàn)網(wǎng)絡權值/閾值的初始化：net=init(net)init屬性值一旦發(fā)生變化，網(wǎng)絡的初始化參數(shù)(net.initParam)將被設置為新的初始化函數(shù)所包含的參數(shù)及其默認參數(shù)值。performFcn屬性net.performFcn屬性定義了網(wǎng)絡用于衡量網(wǎng)絡性能所采用的函數(shù)，它可以被設置為任意一個網(wǎng)絡性能函數(shù)名。例如：mae絕對平均誤差性能函數(shù)(meanabsolutee

13、rror)；mse均方誤差性能函數(shù)(meansquarederror)；msereg歸一化均方誤差性能函數(shù)(meansquarederrorwithregularization)；sse平方和誤差性能函數(shù)(sumsquarederror)。performFcn屬性值一旦發(fā)生變化，網(wǎng)絡性能參數(shù)(net.performParam)將被設置為新的性能函數(shù)所包含的參數(shù)及其默認值。trainFcn屬性net.trainFcn屬性定義了網(wǎng)絡用于訓練網(wǎng)絡性能所采用的函數(shù)，它可以被設置為任意一個訓練函數(shù)名。trainbfgBFGS算法(擬牛頓反向傳播算法)訓練函數(shù)；trainbr貝葉斯歸一化法訓練函數(shù)；tra

14、incgbPowell-Beale共軛梯度反向傳播算法訓練函數(shù)；traincgpPolak-Ribiere變梯度反向傳播算法訓練函數(shù)；traingd梯度下降反向傳播算法訓練函數(shù)；traingda自適應調整學習率的梯度下降反向傳播算法訓練函數(shù)；traingdm附加動量因子的梯度下降反向傳播算法訓練函數(shù)；traingdx自適應調整學習率并附加動量因子的梯度下降反向傳播算法訓練函數(shù)；trainlmLevenberg-Marquardt反向傳播算法訓練函數(shù)；trainossOSS(onestepsecant)反向傳播算法訓練函數(shù)；trainrpRPROP(彈性BP算法)反向傳播算法訓練函數(shù)；train

15、scgSCG(scaledconjugategradient)反向傳播算法訓練函數(shù)；trainb以權值/閾值的學習規(guī)則采用批處理的方式進行訓練的函數(shù)；trainc以學習函數(shù)依次對輸入樣本進行訓練的函數(shù)；trainr以學習函數(shù)隨機對輸入樣本進行訓練的函數(shù)。當調用train函數(shù)時，上述訓練函數(shù)被用于訓練網(wǎng)絡：net,tr=train(NET,P,T,Pi,Ai)trainFcn的屬性值一旦發(fā)生變化，網(wǎng)絡訓練參數(shù)(net.trainParam)將被設置為新的訓練函數(shù)所包含的參數(shù)及其默認參數(shù)值。 1參數(shù)屬性adaptParam屬性net.adaptParam屬性定義為當前網(wǎng)絡權值/閾值調整函數(shù)的參數(shù)及

16、參數(shù)值，取決于當前的權值/閾值調整函數(shù)(net.adaptFcn)，可以查看有關調整函數(shù)的幫助以獲得這些參數(shù)及參數(shù)值。在MATLAB命令窗口中輸入命令：help(net.adaptFcn)也可以獲得這些參數(shù)以及參數(shù)值的具體描述。initParam屬性net.initParam屬性定義當前初始化函數(shù)的參數(shù)及參數(shù)值，取決于當前的初始化函數(shù)(net.initFcn)，可以查看有關初始化函數(shù)的幫助獲得這些參數(shù)及參數(shù)值。在MATLAB命令窗口中輸入名利：help(net.initFcn)也可獲得這些參數(shù)及參數(shù)值的具體描述。performParam屬性net.performParam屬性定義當前函數(shù)的參數(shù)

17、及參數(shù)值，取決于當前的性能函數(shù)(net.performFcn)，可以查看有關性能函數(shù)的幫助獲得這些參數(shù)以及參數(shù)值。在MATLAB命令窗口中輸入：help(net.performFcn)也可獲得這些參數(shù)及參數(shù)值的具體描述。trainParam屬性net.trainParam屬性定義當前訓練函數(shù)的參數(shù)及參數(shù)值，取決于當前的訓練函數(shù)(net.trainFcn)，可以查看有關訓練函數(shù)的幫助獲得這些參數(shù)以及參數(shù)值。在MATLAB命令窗口中輸入命令：help(net.trainFcn)也可獲得這些參數(shù)及參數(shù)值的具體描述。 1權值和閾值屬性權值和閾值的屬性定義了網(wǎng)絡的可調整參數(shù)：權值向量和閾值向量。IW屬性

18、net.IW屬性定義了從網(wǎng)絡輸入向量到網(wǎng)絡層的權值向量(即輸入層的權值向量)結構。其值為Nl*Ni的細胞矩陣，Nl為網(wǎng)絡層數(shù)(net.numLayers),Ni為輸入向量數(shù)(net.numlnputs)。通過訪問net.IWi,j,可以獲得第i個網(wǎng)絡層來自第j個輸入向量的權值向量值。LW屬性net.LW定義了從一個網(wǎng)絡層到另一個網(wǎng)絡層的權值向量結構。其值為Nl*Nl的細胞矩陣，Nl為網(wǎng)絡層數(shù)(net.numLayers)。通過訪問net.LWi,j,可以獲得第i個網(wǎng)絡層來自第j個網(wǎng)絡層的權值向量值。b屬性net.b屬性定義各網(wǎng)絡層的閾值向量結構。其值Nl*l的細胞矩陣，Nl為網(wǎng)絡層(net.n

19、umLayers)。通過訪問net.bi,可以獲得第i個網(wǎng)絡層的閾值向量值。其他屬性：userdata屬性：net.userdata屬性為用戶提供了增加關于網(wǎng)絡對象的用戶信息的地方，它預先只定義了一個字段，其值為一提示信息：net.userdata=note:Putyourcustomnetworkinformationhere. 1子對象的屬性子對象的屬性定義了網(wǎng)絡的各個子對象：輸入向量、網(wǎng)絡層、輸出向量、目標向量、權值向量和閾值向量的屬性。輸入向量net.inputs,該子對象的屬性詳細定義了網(wǎng)絡的每個輸入向量的每一個輸入量。例如：net1.inputs=net2.inputs1*1str

20、uct通過訪問net.inputsi可以獲得第i個輸入向量的屬性值。（1）range屬性net.inputsi.range定義了第i個輸入向量中每個元素的取值范圍，其值是一個R*2的矩陣，R為輸入向量的元素個數(shù)。矩陣的第一列是每個元素的最小值，矩陣的第二列是每個元素的最大值。它包含了兩個信息：a.輸入向量R的元素個數(shù)（也就是輸入變量的個數(shù)）；b.每個輸入變量的取值區(qū)間。從而確定了輸入向量的規(guī)模，另外range屬性值還用于在一些初始化函數(shù)中確定連接輸入向量的權值和閾值的初值。（2）size屬性net.inputsi.size定義了網(wǎng)絡各輸入向量的元素數(shù)目，可以被設置為零或正整數(shù)。當其值發(fā)生變化時

21、，表明輸入向量的元素數(shù)目發(fā)生了變化，那么相應的range屬性值（net.inputsi.range）、與之相連接的權值的size屬性值（net.inputWeights:,i.size）及輸入權值向量（net.IW:,i）的大小會自動作相應變化。（3）userdata屬性net.inputi.userdata和net.userdata為用戶提供了關于輸入向量的用戶信息的地方，它預先只定義了一個字段，其值為一提示信息：net.inputsi.userdata=note:Putyourcustominputinformationhere網(wǎng)絡層net.layers,該子對象的屬性詳細定義了網(wǎng)絡的每一

22、個網(wǎng)絡層。通過訪問net.layersi可以獲得第i個網(wǎng)絡層的屬性值：（1）dimensions屬性net.Layersi.dimensions屬性定義了第i個網(wǎng)絡層神經(jīng)元的位數(shù)。對于自組織映射的多維方式，能夠設置網(wǎng)絡層的神經(jīng)元維數(shù)是很重要的。net.layersi.dimensions可以被設置成所有元素值為零或正整數(shù)的行向量，此時，行向量所有元素的乘積即為該網(wǎng)絡層的神經(jīng)元數(shù)。當采用網(wǎng)絡拓撲函數(shù)(net.layersi.topologyFcn)計算神經(jīng)元在網(wǎng)絡層中的位置(net.layersi.positions)時，將用到網(wǎng)絡層神經(jīng)元維數(shù)。net.layersi.dimensions屬性一

23、旦改變，網(wǎng)絡層的大小(net.layersi.size)、網(wǎng)絡層神經(jīng)元的位置(net.layersi.positions)以及了兩個神經(jīng)元之間的距離(net.layersi.distances)都會隨之改變。distanceFcn屬性net.layersi.distanceFcn,該屬性定義一個函數(shù)，用于第i個網(wǎng)絡層中的神經(jīng)元之間距離的計算，它是根據(jù)神經(jīng)元的位置(net.layersi.positions)來進行計算的。神經(jīng)元的距離用于自組織映射神經(jīng)網(wǎng)絡。該屬性可被設置成神經(jīng)網(wǎng)絡工具箱中的以下距離函數(shù)：boxdist計算兩個位置向量之間距離的距離函數(shù)；dist歐幾里得(Euclidean)距離

24、權值函數(shù)；linkdist連接距離函數(shù)；mandist曼哈頓(Manhattan)距離權值函數(shù)。distances屬性(只讀)net.layersi.disances，該屬性定義第i個網(wǎng)絡層中神經(jīng)元之間的距離，這些距離用于自組織映射神經(jīng)網(wǎng)絡。其值為網(wǎng)絡層距離函數(shù)(net.layersi.distanceFcn)的計算結果，是通過網(wǎng)絡層神經(jīng)元的位置(net.layersi.positions)進行計算的。initFcn屬性net.layersi.initFcn,如果網(wǎng)絡初始化函數(shù)(net.initFcn)設置為initlay,則該屬性定義為第i個網(wǎng)絡層的初始化函數(shù)。該屬性可被設置為：initnw

25、NW(Nguyen-Widrow)網(wǎng)絡層初始化函數(shù)；initwb通過權值和閾值進行初始化的網(wǎng)絡層初始化函數(shù)。netlnputFcn屬性lnputFcn屬性定義一個網(wǎng)絡輸入函數(shù)，以給定的權值和閾值計算第i個網(wǎng)絡層的輸入。該屬性可被設置為：netprod求積網(wǎng)絡輸入函數(shù)；netsum求和網(wǎng)絡輸入函數(shù)。positions屬性(只讀)net.layersi.positions，該屬性定義第i個網(wǎng)絡層中神經(jīng)元的位置，這些位置用于自組織映射。其值為網(wǎng)絡拓撲結構函數(shù)(net.layersi.topologyFcn)關于位置的計算結果，它是通過網(wǎng)絡層神經(jīng)元維數(shù)(net.layersi.dimensions)進

26、行計算的?？梢杂胮lotsom函數(shù)畫出網(wǎng)絡層神經(jīng)元的位置圖。例如：plotsom(net2.layers1.positions)size屬性net.layersi.size,該屬性定義第i網(wǎng)絡層中的神經(jīng)元數(shù)目，其值可以設置為零活正整數(shù)。其值一旦發(fā)生變化，則所有的net.inputWeightsi,:.size(連接到該網(wǎng)絡層的輸入權值向量元素的數(shù)目)，net.layerWeights:,i.size(該網(wǎng)絡層連接到其他網(wǎng)絡層權值向量元素的數(shù)目)，net.inputWeightsi,:.size(其他網(wǎng)絡層連接到該網(wǎng)絡層權值向量元素的數(shù)目)，net.biasi.size(該網(wǎng)絡層閾值向量元素的數(shù)

27、目)等都將隨之改變。與之相關的net.IWi,:，net.LWi,:，net.LW:,i和biases(net.bi)向量的維數(shù)也會隨之改變。同時網(wǎng)絡層神經(jīng)元的維數(shù)(net.layersi.dimensions)將被設置成與該屬性相同的值，這僅適用于神經(jīng)元的維數(shù)為一維的情況；對于多維情況，應該直接設置net.layersi.dimensions，而不應使用size屬性進行設置。topologyFcn屬性net.layersi.topologyFcn,該屬性定義一拓撲結構函數(shù)，用于計算第i個網(wǎng)絡層中的神經(jīng)元位置(net.layersi.positions)，該位置是通過網(wǎng)絡層神經(jīng)元維數(shù)net.l

28、ayesi.dimensions進行計算的。其值可以設成：gridtop網(wǎng)狀網(wǎng)絡層拓撲結構函數(shù)；hextop六邊形網(wǎng)絡層拓撲結構函數(shù)；randtop隨機網(wǎng)絡層拓撲結構函數(shù)。TopologyFcn的屬性值一旦改變，則網(wǎng)絡層神經(jīng)元的位置(net.layersi.positions)也會隨之更新。transferFcn屬性net.layersi.transferFcn,該屬性定義網(wǎng)絡的傳輸函數(shù)，用于計算第i個網(wǎng)絡層的輸出，該輸出是通過給定的網(wǎng)絡層輸入值進行計算的。其值可以設置成：compet競爭型傳遞函數(shù)；hardlim閾值型傳遞函數(shù)；hardlims對稱閾值型傳輸函數(shù)；logsigS型傳輸函數(shù)；p

29、oslin正線性傳輸函數(shù)；purelin線性傳輸函數(shù)；radbas徑向基傳輸函數(shù)；satlin飽和線性傳輸函數(shù)；satlins飽和對稱線性傳輸函數(shù)；softmax柔性最大值傳輸函數(shù)；tanhsig雙曲正切S型傳輸函數(shù)；tribas三角形徑向基傳輸函數(shù)；當sim被調用時，傳輸函數(shù)用于網(wǎng)絡仿真：Y,Pf,Af=sim（net,P,Pi,Ai）（10）userdata屬性net.layersi.userdata,該屬性為用戶提供增加關于網(wǎng)絡層向量的用戶信息的地方,它預先只定義一個字段，其值為一提示信息：net.layersi.userdata=note:Putyourcustomlayerinfor

30、mationhere.用戶可以通過修改net.layersi.userdata.note的值，增加關于網(wǎng)絡層的用戶信息。輸出向量net.outputs,該子對象的屬性詳細定義了網(wǎng)絡的每一個輸出向量。每個輸出向量的結構屬性值可以通過net.outputsi,j進行訪問。（1）size屬性net.outputsi.size,該屬性定義了第i個網(wǎng)絡層輸出向量中元素的個數(shù)，其值為第i個網(wǎng)絡層神經(jīng)元的數(shù)目（net.layersi.size）。（2）userdata屬性net.outputsi.userdata,該屬性為用戶提供了增加關于第i個網(wǎng)絡層輸出向量的用戶信息的地方,它預先只定義一個字段,其值為一

31、提示信息：net.outputsi=note:Putyourcustomoutputinformationhere.用戶可以通過修改net.outputsi.userdata.note的值，增加關于第i個網(wǎng)絡層輸出向量的用戶信息。目標向量net.targets,該子對象的屬性詳細定義了網(wǎng)絡的每一個目標向量。每個目標向量的結構屬性值可以通過net.targetsi,j來訪問。（1）size屬性net.targetsi.size,該屬性定義了第i個網(wǎng)絡層目標向量中元素的個數(shù)，其值為第i個網(wǎng)絡層神經(jīng)元的數(shù)目（net.layersi.size）。（2）userdata屬性net.targetsi.us

32、erdata,該屬性為用戶提供了增加關于第i個網(wǎng)絡層目標向量的用戶信息的地方，它預先只定義一個字段，其值為一提示信息：net.outputsi=note:Putyourcustomoutputinformationhere.用戶可以通過修改net.targetsi.userdata.note的值，增加關于第i個網(wǎng)絡層目標向量的用戶信息。閾值向量net.biasesi,該子對象的屬性詳細定義網(wǎng)絡的每一個閾值向量。每個閾值向量的結構屬性值可以通過net.biasesi進行訪問。initFcn屬性net.biasesi.initFcn，該屬性定義了第i個網(wǎng)絡層閾值向量的初始化函數(shù)，如果網(wǎng)絡的初始化函數(shù)為initlay,則第i個網(wǎng)絡層閾值向量的初始化函數(shù)的函數(shù)為initwb。其值可以設成神經(jīng)網(wǎng)絡工具箱中的以下初始化函數(shù)：initcon“良心(co