Matlab - inicializar los pesos de una red neuronal de tipo perceptrón multicapa

saludos,

por favor necesito saber como inicializar los pesos de una red neuronal de tipo perceptrón multicapa me explico: como todos sabemos antes de entrenar la red los pesos de las conexiones entre las capas se generan automáticamente en un rango de -1 a 1, sin embargo si quisiera yo mismo poner los pesos iniciales antes de ser entrenada(con el objetivo quizás de mejorar el entrenamiento) cómo pudiera hacerlo en matlab?.

Sé que existe el comando nntool que permite hacer el entrenamiento y entre sus opciones puedes modificar los pesos pero quisiera hacerlo a base de códigos, alguien me pudiera ayudar si conoce como inicializar los pesos de las conexiones mediante algún código,

gracias de antemano

puedes modificar los pesos como se indica en el ejemplo :
donde el 1 corresponde a la primera capa y net sería la red neuronal que has creado

Mil gracias por responder de forma tan rápida y certera, me ha servido de mucho, pero quisiera
aprobechar para hacer otra pregunta:

Existe algún modo de hacer un entrenamiento de una red neuronal y que cuando haga las pruebas
para comprobar el porcentaje correcto en la clasificación me de el mismo resultado si utilizo el mismo
código, resulta que he corrido varias veces estas lineas de código en matlab pero no siempre me devuelve
el mismo resultado, quizás me falte algo por poner, quizás algún valor aleatorio en el entrenamiento esté
variando el resultado y lo deba definir en el código,

gracias nuevamente por su tiempo y dedicación
este es el código:
[x,t] = crab_dataset;

net.IW{1}=[-1.96101593429762 -0.436331562289664 1.36368517326886 0.268951520059904 -1.51274202499527 -1.68818948349881;-1.25257438022842 -0.315290324772879 -0.995495373538432 0.660878024671496 -0.475998192656737 1.09451657862743;0.0758878870925051 -0.676648629937734 0.700593378618538 1.02818107846492 -0.532851147930138 0.409560101371327;-0.241828618137549 0.118277784707985 -1.57476598478641 -0.611423516867900 -0.754893713697286 1.14578382823384;-0.0557169348651029 0.613664974728704 -3.11418574603447 1.05388647913701 1.06302745642974 -0.234479064261255;-0.0590591332362536 1.08376943866675 -0.664757310846239 1.26002835894685 -0.564907969053620 -0.0794436965055129;0.00580691404928876 -0.302015020741359 -1.80260978200371 1.85200907236259 -0.0501004865667357 -0.453469293104307;1.55789105733208 -0.897264075675645 -2.31582588339349 2.23523244604024 0.0638025801481123 -0.151332439271155;1.05162089844312 0.217998279864027 0.135184370649160 1.37614212207932 -0.296109203754715 0.759875859021142;0.0849094446370252 0.639946771521514 -2.93901120555701 0.375994079832967 0.727186300149523 -0.396487492314142];

net.IW{2,1}=[-0.42904 -0.10947 0.20313 -0.75919 0.6855 -0.066463 0.25604 0.15709 0.19641 -0.91357; 0.62306 0.41953 0.46437 0.78454 -0.73665 -0.28582 -0.44214 0.16911 -0.084545 0.022647];

net.b{1}=[1;1;1;1;1;1;1;1;1;1];

net.b{2}=[1;1];

net = feedforwardnet(10);

[net,tr] = train(net,x,t);

plotperform(tr)
testX = x(:,tr.testInd);
testT = t(:,tr.testInd);
testY = net(testX);
testIndices = vec2ind(testY)
plotconfusion(testT,testY)
[c,cm] = confusion(testT,testY)
fprintf('Percentage Correct Classification : %f%%\n', 100*(1-c));
fprintf('Percentage Incorrect Classification : %f%%\n', 100*c);

lo que veo aquí es que lo que estás agregando no te está funcionando porque luego de definir tus pesos vuelves a crear la red y se te borran los pesos ya definidos , así que la línea está de más porque se supone que ya net existe