神经网络中可以改变的有：
1、各神经元的权值
2、bias，广义上，也是权值
3、激活函数
4、神经网络的层数
5、各层神经元的个数
6、神经网络的连接结构
7、输入输出的格式和质量
下面我们一项一项进行说明，如何改变这些参数
一、权值
权值的改变分为 有监督的学习 和 无监督的学习
1、有监督的学习Supervised Learning
给定许多样本（包含输入与输出），将输入数据通过神经网络后，产生的实际输出和期望输出进行比较，通过差值逐步调整各神经元的权值和bias，两个问题：
（1）期望输出是什么？
期望输出就是给定的样本的输出，而实际输出就是输入经过神经网络后产生的输出
（2）各权值初始化的值为多少？
初始化权值随机分配，一般为较小的非零随机数，比如归一化到(-1,1)
例：C语言中利用rand()函数(随机产生0-RAND_MAX之间的数)，初始化权值为-1到1之间：w[i][j]=rand()*2.0/RAND_MAX-1;
2、无监督的学习UnSupervised Learning
大概思想是：当两个神经元同时处于激发状态时两者间的连接权会被加强，否则被减弱。
注：关于训练算法有以下这些：
BP算法、...（留待后续补充）
......
算法多多，就像C语言中一个排序就有那么多算法一样，神经网络的训练算法有这么几种也不足为奇。
二、激活函数
(1) 线性函数 ( Liner Function )
Matlab中可以使用：purelin函数
(2) 阈值函数 ( Threshold Function )
Matlab中可以使用：hardlim和hardlims函数，值域分别为[0,1]和[-1,1]
(3) S形函数 ( Sigmoid Function )
Matlab中可以使用：logsig函数
(4) 双极S形函数
Matlab中可以使用：tansig函数
(5)后续补充...
......
三、输入输出的质量和格式
输入输出数据的质量：保证输入数据准确完整等等就行，这里不做深入讲解，具体可以看看数据预处理。
输入输出数据的格式：这里涉及到的就是数据的归一化问题，这里简单说一下。
1、什么是归一化？
归一化就是利用一定的算法，将输入输出数据归一化到[0,1]或者[-1,1]之间
2、为什么要归一化？
（1）输入输出的单位不一样(比如输入是温度，输出是电流)，范围不一样(比如输入数据之间数值相差很大)，会导致神经网络的收敛速度变慢、训练时间变长；
（2）数据范围大的输入在模式分类中的作用可能会偏大，而数据范围小的输入作用就可能会偏小；
（3）激活函数本身的输出是有范围的，比如用sigmoid函数，其值域范围为[0,1]，这样就要求必须将输出数据映射到[0,1]上面，也就是输出数据的归一化问题；
（4）sigmoid函数在[-5,5]范围之外偏向饱和，函数值之间差别太小，很难进行训练，比如f(5)和f(100)只相差0.0067，因此，我们取有效区间[-1,1]，将输入数据映射到[-1,1]
上面，方便进行训练，这也就是输入数据的归一化问题；
3、如何进行归一化？
输入数据的归一化
（通常归一化到（-1,1）之间）
（1）var = ( x - min )/( max - min)，那么数据x就化简到[0,1]之间了。（编程中，可以var = ( x - min + 1 )/( max - min - 1)，加上常数1防止分母为0）
（2）var = 2 * ( x - min ) / ( max - min ) - 1，那么数据x就化简到[-1,1]之间了。（C编程中，可以采用 var = rand()*2.0/RAND_MAX-1）
输出数据的反归一化
如果采用sigmoid函数，函数值区间为(0,1)，由var = ( x - min )/( max - min)可得反归一化后的值为
x = var*(max - min) + min （若有常数A，则x = var*(max - min + 1) + min - 1）