为了看懂师兄的文章中使用的方法，研究了一下神经网络昨天花了一天的时间查怎么写程序，但是费了半天劲，不能运行，百度知道里倒是有一个，可以运行的，先贴着做标本% 生成训练样本集clear all;clc;P=[110 0.807 240 0.2 15 1 18 2 1.5;110 2.865 240 0.1 15 2 12 1 2;110 2.59 240 0.1 12 4 24 1 1.5;220 0.6 240 0.3 12 3 18 2 1;220 3 240 0.3 25 3 21 1 1.5;110 1.562 240 0.3 15 3 18 1 1.5;110 0.547 240 0.3 15 1 9 2 1.5];0 1.318 300 0.1 15 2 18 1 2];T=[54248 162787 168380 314797;28614 63958 69637 82898;86002 402710 644415 328084;230802 445102 362823 335913;60257 127892 76753 73541;34615 93532 80762 110049;56783 172907 164548 144040];@907 117437 120368 130179];m=max(max(P));n=max(max(T));P=P'/m;T=T'/n;%-------------------------------------------------------------------------%pr(1:9,1)=0; %输入矢量的取值范围矩阵pr(1:9,2)=1;bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm'); %建立BP神经网络， 12个隐层神经元，4个输出神经元%tranferFcn属性 'logsig' 隐层采用Sigmoid传输函数%tranferFcn属性 'logsig' 输出层采用Sigmoid传输函数%trainFcn属性 'traingdx' 自适应调整学习速率附加动量因子梯度下降反向传播算法训练函数%learn属性 'learngdm' 附加动量因子的梯度下降学习函数net.trainParam.epochs=1000;%允许最大训练步数2000步net.trainParam.goal=0.001; %训练目标最小误差0.001net.trainParam.show=10; %每间隔100步显示一次训练结果net.trainParam.lr=0.05; %学习速率0.05bpnet=train(bpnet,P,T);%-------------------------------------------------------------------------p=[110 1.318 300 0.1 15 2 18 1 2];p=p'/m;r=sim(bpnet,p);R=r'*n;display(R);运行的结果是出现这样的界面点击performance，training state，以及regression分别出现下面的界面再搜索，发现可以通过神经网络工具箱来创建神经网络，比较友好的GUI界面，在输入命令里面输入nntool，就可以开始了。

点击import之后就出现下面的具体的设置神经网络参数的对话界面，这是输入输出数据的对话窗首先是训练数据的输入然后点击new，创建一个新的神经网络network1，并设置其输入输出数据，包括名称，神经网络的类型以及隐含层的层数和节点数，还有隐含层及输出层的训练函数等点击view，可以看到这是神经网络的可视化直观表达创建好了一个network之后，点击open，可以看到一个神经网络训练，优化等的对话框，选择了输入输出数据后，点击train，神经网络开始训练，如右下方的图，可以显示动态结果下面三个图形则是点击performance，training state以及regression而出现的下面就是simulate，输入的数据是用来检验这个网络的数据，output改一个名字，这样就把输出数据和误差都存放起来了在主界面上点击export就能将得到的out结果输入到matlab中并查看下图就是输出的两个outputs结果还在继续挖掘，to be continue……20111130神经网络工具箱版本7.0（R2010b）图形用户界面功能。

nnstart - 神经网络启动GUInctool - 神经网络分类工具nftool - 神经网络的拟合工具nntraintool - 神经网络的训练工具nprtool - 神经网络模式识别工具ntstool - NFTool神经网络时间序列的工具nntool - 神经网络工具箱的图形用户界面。

查看- 查看一个神经网络。

网络的建立功能。

cascadeforwardnet - 串级，前馈神经网络。

competlayer - 竞争神经层。

distdelaynet - 分布时滞的神经网络。

elmannet - Elman神经网络。

feedforwardnet - 前馈神经网络。

fitnet - 函数拟合神经网络。

layrecnet - 分层递归神经网络。

linearlayer - 线性神经层。

lvqnet - 学习矢量量化（LVQ）神经网络。

narnet - 非线性自结合的时间序列网络。

narxnet - 非线性自结合的时间序列与外部输入网络。

newgrnn - 设计一个广义回归神经网络。

newhop - 建立经常性的Hopfield网络。

newlind - 设计一个线性层。

newpnn - 设计概率神经网络。

newrb - 径向基网络设计。

newrbe - 设计一个确切的径向基网络。

patternnet - 神经网络模式识别。

感知- 感知。

selforgmap - 自组织特征映射。

timedelaynet - 时滞神经网络。

利用网络。

网络- 创建一个自定义神经网络。

SIM卡- 模拟一个神经网络。

初始化- 初始化一个神经网络。

适应- 允许一个神经网络来适应。

火车- 火车的神经网络。

DISP键- 显示一个神经网络的属性。

显示- 显示的名称和神经网络属性adddelay - 添加延迟神经网络的反应。

closeloop - 神经网络的开放反馈转换到关闭反馈回路。

formwb - 表格偏见和成单个向量的权重。

getwb - 将它作为一个单一向量中的所有网络权值和偏差。

noloop - 删除神经网络的开放和关闭反馈回路。

开环- 转换神经网络反馈，打开封闭的反馈循环。

removedelay - 删除延迟神经网络的反应。

separatewb - 独立的偏见和重量/偏置向量的权重。

setwb - 将所有与单个矢量网络权值和偏差。

Simulink的支持。

gensim - 生成Simulink模块来模拟神经网络。

setsiminit - 集神经网络的Simulink模块的初始条件getsiminit - 获取神经网络Simulink模块的初始条件神经元- 神经网络Simulink的模块库。

培训职能。

trainb - 批具有重量与偏见学习规则的培训。

trainbfg - 的BFGS拟牛顿倒传递。

trainbr - 贝叶斯规则的BP算法。

trainbu - 与重量与偏见一批无监督学习规则的培训。

trainbuwb - 与体重无监督学习规则与偏见一批培训。

trainc - 循环顺序重量/偏见的培训。

traincgb - 共轭鲍威尔比尔重新启动梯度反向传播。

traincgf - 共轭弗莱彻-里夫斯更新梯度反向传播。

traincgp - 共轭波拉克- Ribiere更新梯度反向传播。

traingd - 梯度下降反向传播。

traingda - 具有自适应LR的反向传播梯度下降。

traingdm - 与动量梯度下降。

traingdx - 梯度下降瓦特/惯性与自适应LR的反向传播。

trainlm - 采用Levenberg -马奎德倒传递。

trainoss - 一步割线倒传递。

trainr - 随机重量/偏见的培训。

trainrp - RPROP反向传播。

trainru - 无监督随机重量/偏见的培训。

火车- 顺序重量/偏见的培训。

trainscg - 规模化共轭梯度BP算法。

绘图功能。

plotconfusion - 图分类混淆矩阵。

ploterrcorr - 误差自相关时间序列图。

ploterrhist - 绘制误差直方图。

plotfit - 绘图功能适合。

plotinerrcorr - 图输入错误的时间序列的互相关。

plotperform - 小区网络性能。

plotregression - 线性回归情节。

plotresponse - 动态网络图的时间序列响应。

plotroc - 绘制受试者工作特征。

plotsomhits - 小区自组织图来样打。

plotsomnc - 小区自组织映射邻居的连接。

plotsomnd - 小区自组织映射邻居的距离。

plotsomplanes - 小区自组织映射重量的飞机。

plotsompos - 小区自组织映射重量立场。

plotsomtop - 小区自组织映射的拓扑结构。

plottrainstate - 情节训练状态值。

plotwb - 图寒春重量和偏差值图。

列出其他神经网络实现的功能。

nnadapt - 适应职能。

nnderivative - 衍生功能。

nndistance - 距离函数。

nndivision - 除功能。

nninitlayer - 初始化层功能。

nninitnetwork - 初始化网络功能。

nninitweight - 初始化权函数。

nnlearn - 学习功能。

nnnetinput - 净输入功能。

nnperformance - 性能的功能。

nnprocess - 处理功能。

nnsearch - 线搜索功能。

nntopology - 拓扑结构的功能。

nntransfer - 传递函数。

nnweight - 重量的功能。

示例，数据集和其他资源nndemos - 神经网络工具箱的示威。

nndatasets - 神经网络工具箱的数据集。

nntextdemos - 神经网络设计教科书的示威。

nntextbook - 神经网络设计教科书的资讯。