(1)、網絡節點？網絡輸入層的神經節點數是系統的特征因子(自變量)數，輸出層的神經節點數是系統目標數。隱層節點根據經驗選取，壹般設置為輸入層節點數的75%。如果輸入層有7個節點，輸出層有1個節點，那麽隱層可以暫時設為5個節點，這樣就構成了壹個7-5-1的BP神經網絡模型。在訓練系統時，實際上要比較4、5、6個不同的隱節點數，最終確定最合理的網絡結構。
②初始權重的確定？初始權重是壹組不應該完全相等的值。事實證明，即使是確定的？存在壹組不相等的權重，使得系統誤差更小。如果Wji的初始值彼此相等，則它們將在學習過程中始終保持相等。所以在程序中，我們設計了壹個隨機數生成器程序，生成壹組0.5到+0.5的隨機數作為網絡的初始權值。
③最低訓練率是多少？在經典的BP算法中，訓練率是由經驗決定的。訓練率越大，權值變化越大，收斂越快。但是，如果訓練率過高，就會引起系統的振蕩。所以訓練率越高越好。因此，在DPS中，訓練率會自動調整，值會盡可能大，但用戶可以指定壹個最小訓練率。該值壹般為0.9。
④動態參數？動力系數的選擇也是憑經驗，壹般0.6 ~0.8。
(5)、允許誤差？壹般是0.001~0.00001。當兩次叠代結果的誤差小於該值時，系統結束叠代計算並給出結果。
6.叠代次數？壹般取1000次。由於神經網絡計算不能保證各種參數配置下叠代結果的收斂，當叠代結果不收斂時，允許最大叠代次數。
⑦ Sigmoid參數該參數調整神經元興奮函數的形式，壹般在0.9-1.0之間。
8、數據轉換。在DPS系統中，輸入層各節點的數據允許進行變換，提供變換的方法有對數變換、平方根變換和數據標準化變換。
擴展數據:
神經網絡的研究內容相當廣泛，體現了跨學科技術領域的特點。主要研究工作集中在以下幾個方面:
1.生物原型
從生理學、心理學、解剖學、腦科學和病理學等方面研究神經細胞、神經網絡和神經系統的生物原型結構和功能機制。
建立模型
通過對生物原型的研究，建立了神經元和神經網絡的理論模型。它包括概念模型、知識模型、物理化學模型、數學模型等。
3.算法
在理論模型研究的基礎上，構建具體的神經網絡模型，實現計算機仿真或準備硬件，包括網絡學習算法的研究。這項工作也被稱為技術模型研究。
神經網絡使用的算法是向量乘法，符號函數及其各種近似被廣泛使用。並行性、容錯性、硬件實現和自學習是神經網絡的幾個基本優勢，也是神經網絡計算方法與傳統方法的區別。
參考資料:
百度百科-神經網絡(通信定義)