边看程序，边做了笔记来理解。写完步骤流程后了解到，这个程序主要有3大块：
这个部分是前期数据选择和归一化：
这个部分是BP网络的训练：
这个部分是网络的分类和结果测试
总结：详细读了程序，把程序一行一行运行，加上手算等，理解了每个变量的运行机理。先输入随机的【-1,1】的w和b的数据矩阵即初始化，再将输入特征信号保存入input函数内，然后经过运算一层一层逐层向下传递，传递到最后一层输出yn，和预测输出output对比的误差e，通过e反向传播，逐层倒回由e的计算能一点点变成每层需要更新的微小的w和b的变量更新矩阵，再前面一层又通过后一层的变量再进行更新，这就是梯度下降的核心链式传播，链式反向更新每层的w和b达到训练的目的。通过这个2000样本（1500个训练样本，500个测试样本）的语音例子，我运行了20遍，以下是结果：
4类语音 1 2 3 4
识别率低于50%次数 2 0 6 1
导致第3类错误率偏低的原因是和第一类比较接近，很多第三类都错判为了第一类。这是由于训练样本的不足，BP网络训练尚未到位所致。如果把训练样本改成1900，测试样本改成100。其准确率似乎没有明显提升：
4类语音 1 2 3 4
识别率低于50%次数 1 0 8 2
但是我相信随着训练样本以量级上升，必然会将分类的成功率提升。但这么做并没有意义。所以接下来我需要思考的是如果训练样本不足，那能够将BP网络运用在平台的拿个地方来实现理想的效果。结合Fortran这种实时语言会不会更有优势？这是我接下来思考的方向。
