BP神经网络三个主要特点？
BP神经网络有以下三个特点:
(1)网络由多层组成，各层都是连通的，同一层的神经元是不连通的。
(2)2)BP网络的传递函数必须是可微的。所以感知器的二元函数不能用，一般用Sigmoid函数，分为Log-Sigmoid和Tan-Sigmoid函数。x的范围包括整个实数域，函数值在0到1之间。在实际应用中，可以添加参数来控制曲线的位置和形状。
Sigmoid函数可以将输入的范围从负无穷大映射到正无穷大(-1，1)和(0，1)之间，具有非线性放大作用。
(3)误差反向传播学习。在BP网络中，数据从输入层通过隐藏层反向传播。当训练网络权重时，网络连接权重从输出层通过中间层朝着减少误差的方向向前修正。
BP神经网络为什么要初始化权值和阈值？
有一个默认的阈值和偏差，可以打开自己的功能查看。
什么是基于神经网络？
1.什么是神经网络？
神经网络是按照一定规则连接多个神经元的网络。
例如，全连接的FC)神经网络，其规则包括:
有三层:输入层、输出层和隐藏层。
同一层的神经元之间没有联系。
全连接的含义:第N层的每个神经元与第N-1层的所有神经元连接，第N-1层神经元的输出是第N层神经元的输入。
每个连接都有一个权重。
不同的神经网络有不同的连接规则。
bp神经网络如何计算权值和阈值？
首先我们需要明白，BP神经网络是一个多层前馈网络。看matlab中BP神经网络的训练功能，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等等。
因为初始值(初始权重和阈值)在向量X中，所以x(n，1)的长度n为:ninputnum*hiddennumhiddennum*outputnumoutputnum。
其中inputnum*hiddennum为输入层到隐层的权值个数，hiddennum为隐层神经元个数(即隐层阈值个数)，hiddennum*outputnum为隐层到输出层的权值个数，outputnum为输出层神经元个数(即输出层阈值个数)。
结构
BP网络在输入层和输出层之间增加几层(一层或多层)神经元。这些神经元被称为隐藏单元，它们与外界没有直接联系。但其状态的变化可以影响输入输出的关系，每一层可以有几个节点。
BP神经网络的计算过程由正向计算过程和反向计算过程组成。在前向传播过程中，输入模式从输入层经过隐单元层逐层处理，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。如果期望的输出可以t在输出层获得，误差信号将沿着原始连接路径返回，并且通过修改每个神经元的权重来最小化误差信号。