最近刚开始进入ANN（人工神经网络）的学习，在MATLAB实现中遇到了两个最基础的问题，但是苦于没有找到合适合理的解答，于是通过查找资料，并加上自己的理解，得出以下结论，不知是否正确。
1.ANN工具箱中的训练函数与学习函数的区别是什么？
在《神经网络理论与MATLAB R2007实现》一书中有这样的一句话：神经网络的学习也成为训练，指的是通过神经网络所在环境的刺激作用调整神经网络的参数（权值与阈值），是神经网络以一种新的方式对外部环境做出反应的一个过程。
这也就是说其实训练函数与学习函数是一回事，所以在神经网络工具箱中通用函数一章节中，作者将训练函数train,trainb和学习函数learnp，learnpn，adapt，revert放在一起写了。但是在后面的不同类型网络中又将这两个函数分开来写，如感知器中的创建参数中，只有学习函数而无训练函数，但是可以调用train对感知器神经元进行训练。BP网络中，训练函数与学习函数同时作为参数出现。
对于实例P，包含n个样本输入。网络的学习也分为两类：第一：网络对样本逐个的顺序输入而不断学习，是基于单个样本误差e的最小值进行。第二是待样本全部输入后，基于E的最小值来完成权值空间的梯度搜索，即批处理过程。我想正是有这两种学习方式的分类，决定了学习函数与训练函数的区别吧？
2.BP算法（广义δ规则）中误差e与MATLAB中的MSE的区别
在讨论BP（误差反向传播算法）时候，我们一般选取e=∑（t-o)2/2，t为目标输出，o为实际输出，小2为上标代表平方，前面有个系数1/2；而MSE中e的系数却是L，L为输出层神经元个数。
虽然在按负梯度最速下降法中，系数为参数对于方向没有影响（在求导过程中系数始终保持不变），但是对于下降的尺度却有不同，我不知道为什么会这样。是理论与MATLAB实现的字面区别么？
3.这里有个近似弱智的问题：在单样本处理模式中，第N+1次输入后，网络的权值和阈值会刷新第N次的值，那岂不是网络训练的结果等同于输入最后一次向量就可以了？
其实，人工神经网络原理就是模拟人脑的神经元结构。人脑在学习一系列新事物（样本）的时候，比如先学习了一个式子：1+2=3，再学习了2+3=5的时候，是不是又忘记了1+2=3呢？显然不是。在学习2+3=5后我们同时也启发了1+2=3，2+3=5的系列数学算式原理，组成了一个学习数学加法的思维模式了，这就是人脑学习的结果。对于人工神经网络来说，其实也一样，在一些列样本（无显著奇异）进入网络后，在调整权值的时候并不是完全刷新前一次的结果，而是在逐步的微调，使得网络得到了训练和学习最终达到稳定，具有了某种分析的能力了。
