0. 其他处理

• 计时：

  ticnet = train(net, X, y);toc

1. 一个简单的 demo（单层感知器）

P = [1, 1, 1, 1, 0, 0, 0, 0; 0, 0, 1, 1, 0, 1, 1, 0; 0, 1, 0, 1, 1, 0, 1, 0];            % 每一列表示一个输入样本T = [-1, 1, 1, 1, -1, -1, 1, -1];            % 表示输出值p = [0, 1; 0, 1; 0, 1];            % 每一行表示参数的取值范围t = 1;            % 输出值的个数；% 模型的定义net = newp(p, t, 'hardlims');            % newp：new perceptronnet = train(net, P, T);            % 训练的过程；            % 此时得到的 net 便是最终训练好的模型；% 测试newP = [0, 1, 1]';newT = sim(net, newP)newP = [0, 1, 0]';newT = sim(net, newP)

2. nntool

神经网络的可视化显示方式。

• 先输入 data，再定义 network，最后 train
• 通过 simulate 进行仿真测试；

3. BP 神经网络的创建

• 通过 newff

  % 样本矩阵（trainx, testx）以每一列为一个单独的样本，每一个行为一个属性，% target 目标值（trainy, testy）为一个行向量trainx, trainytestx, testy% 创建 BP 网络net = newff(trainx, trainy);% 接口必须统一，方能识别；net.trainParam.epochs = 1500;       % 最大训练次数net.trainParam.goal = 1e-13;        % 目标误差net.trainParam.show = 1;            % 显示级别% 接受训练样本，进行训练net = train(net, trainx, trainy);% 在测试集上进行测试predicted_y = net(testx);

• 通过 feedforwardnet

  net = feedforwardnet([], 'trainlm');        % 第一个参数控制神经网络隐层的拓扑结构，其实就是各个隐层的神经元数目；net.trainParam.epochs = ...;net.trainParam.goal = ...;ticnet = train(net, X, y);                     % X 构成输入层，y 构成输出层；toc