‘壹’ 研究人工神经网络的权值分布有什么意义
神经网络一般都是非常庞大的，每个边对应一个权值，如果权值不共享的话，数据量就更大了，但是为了提高效率，引入了权值共享，但是还不够，想再次提高效率和精确度，进行主成分分析，把一些重要的权重保留，不重要的舍弃，你这个权值分布就很有意义了，比如权重是5的权值在概率上占到了百分之95，或者说主成分分析的结果前2类权重就占据了百分之80，那么剩下的权值就可以省略，当然这都是理论上的
‘贰’ 哪些神经网络结构会发生权重共享
说的确定应该就是训练方法吧，神经网络的权值不是人工给定的。而是用训练集（包括输入和输出）训练，用训练集训练一遍称为一个epoch，一般要许多epoch才行，目的是使得目标与训练结果的误差(一般采用均方误差）小到一个给定的阈值。以上所说是有监督的学习方法，还有无监督的学习方法。
‘叁’ 卷积神经网络算法是什么
一维构筑、二维构筑、全卷积构筑。
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。
卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）”。
卷积神经网络的连接性：
卷积神经网络中卷积层间的连接被称为稀疏连接（sparse connection），即相比于前馈神经网络中的全连接，卷积层中的神经元仅与其相邻层的部分，而非全部神经元相连。具体地，卷积神经网络第l层特征图中的任意一个像素（神经元）都仅是l-1层中卷积核所定义的感受野内的像素的线性组合。
卷积神经网络的稀疏连接具有正则化的效果，提高了网络结构的稳定性和泛化能力，避免过度拟合，同时，稀疏连接减少了权重参数的总量，有利于神经网络的快速学习，和在计算时减少内存开销。
卷积神经网络中特征图同一通道内的所有像素共享一组卷积核权重系数，该性质被称为权重共享（weight sharing）。权重共享将卷积神经网络和其它包含局部连接结构的神经网络相区分，后者虽然使用了稀疏连接，但不同连接的权重是不同的。权重共享和稀疏连接一样，减少了卷积神经网络的参数总量，并具有正则化的效果。
在全连接网络视角下，卷积神经网络的稀疏连接和权重共享可以被视为两个无限强的先验（pirior），即一个隐含层神经元在其感受野之外的所有权重系数恒为0（但感受野可以在空间移动）；且在一个通道内，所有神经元的权重系数相同。
‘肆’ 共享资源会不会影响到计算机网络的性能及安全性
对于网络计算机而言共享资源会使计算机安全性降低所以在使用计算机的时候要注意个人的隐私不会被泄露由此可以在一定程度上避免不法分子将用户的信息盗用另外计算机网络运行的时候还是存在风险性为了保证网络的安全运行就要对可能发生的风险事故及时预防
‘伍’ 如何理解人工智能神经网络中的权值共享问题
权值(权重)共享这个词是由LeNet5模型提出来的。以CNN为例，在对一张图偏进行卷积的过程中，使用的是同一个卷积核的参数。比如一个3×3×1的卷积核，这个卷积核内9个的参数被整张图共享，而不会因为图像内位置的不同而改变卷积核内的权系数。说的再直白一些，就是用一个卷积核不改变其内权系数的情况下卷积处理整张图片(当然CNN中每一层不会只有一个卷积核的，这样说只是为了方便解释而已)。
‘陆’ BP神经网络中,如何设定神经元的初始连接权重以及阀值
初始连接权重关系到网络训练速度的快慢以及收敛速率，在基本的神经网络中，这个权重是随机设定的。在网络训练的过程中沿着误差减小的方向不断进行调整。针对这个权重的随机性不确定的缺点，有人提出了用遗传算法初始化BP的初始权重和阈值的想法，提出了遗传神经网络模型，并且有人预言下一代的神经网络将会是遗传神经网络。希望对你有所帮助。你可以查看这方面的文献
‘柒’ matlab神经网络求权重
1. 上面写的好像是6个指标
2. 给一个简单的函数拟合代码吧。你不说更多的要求我也不能更细化了。
clearall;closeall;
x=[123456789;123212112;...
133455542;211221221;...
111222231;121221211];
t=[133455542];
net=feedforwardnet(10);%隐层节点数
net=configure(net,x,t);
net.divideParam.trainRatio=0.7;
net.divideParam.valRatio=0.15;
net.divideParam.testRatio=0.15;
net=train(net,x,t);
y2=net(x);
x_axis=1:length(t);
plot(x_axis,t,x_axis,y2)
legendtargetprediction
‘捌’ 神经网络已知输入输出，怎么获得输入对输出的权重 –
每个权重都在连接节点的内部一般都是xxx{y}.weights
‘玖’ 准则层对于目标的权重如何量化
计算误差再用该梯度更新特定网络层参数。
1、对网络的权重进行随机初始化。
2、对网络做前向计算，即将输入数据经过卷积、Batchnorm，Scale、激活函数、池化等层后，得到网络的输出值。
3、计算网络的输出值与期望的目标值之间的误差。
4、当误差大于期望值时，将误差反传回网络中，依次求得池化、激活函数、Scale，Batchnorm、卷积等网络层的误差。
5、根据各层误差对各网络层的梯度进行计算，再由该梯度去更新特定网络层的参数。
6、重复步骤2到步骤5，反复循环迭代直到网络收敛到期望的目标为止。