%P训练网络的输入数据:N个案例,M个指标构成NxM矩阵;
%T训练网络的输出数据:N个案例,K个指标构成NxK矩阵;
%可以通过aa=xlsread(‘i:\testp.xls’) 将excel文件中数据读入
%这时只读入文件中数字,文字不读入
%也可以通过load 文本文件,给P,T赋值,但在建立网络前要将
%P,T转置,P=P’,T=T’;
%可以将隐层神经元数目设为变量Nk,
%用input(‘请输入隐层神经元数目’)给其赋值
%这样建立网络命令为:
%net=newff(minmax(P),[Nk,m],{‘tansig’,’logsig’},’traingdx’,’learngd’,’msere
%g’);
%传递函数:logsig:S型对数函数:函数值位于(0,1)
%传递函数:dlogsig:logsig函数的导函数
%传递函数:tansig:双曲正切函数
%传递函数:dtansig:双曲正切函数的导函数
%传递函数:purelin:线性传递函数
%传递函数:dpurelin:线性传递函数的导函数
%{}中参数:第一个:隐层传递函数;第二个:输出层传递函数;第三个:训练函数
%训练函数:traingdx:梯度下降动量法,学习速率是自适应的
%训练函数:trainlm:Levenbeng-Marquadt反传算法,优点:收敛速度很快
%训练函数:traingd:普通梯度下降法
%训练函数:traingdm:梯度下降动量BP算法函数
%训练函数:trainbfg:BFGS准牛顿BP算法函数
%{}后参数:训练函数、学习函数和性能函数
%默认为:trainlm,learngdm,mse;
%学习函数:learngd:梯度下降权值/阀值学习函数,它通过神经元的输入和误差,以及权值和阀值的学习速率,来计算权值或阀值的变化率
%学习函数:learngdm:梯度下降动量学习函数,它通过神经元的输入和误差、权值和阀值的学习速率和动量常数来计算权值或阀值的变化率
%性能函数:mse:均方差误差函数:msereg:通过两个因子的加权和来评价网络性能,这两个因子分别是均方误差、均方权值和阀值
%net=newff(minmax(P),[Nk,m],{'tansig','logsig'},'traingdx','learngd','msere
%g');
%读入所有案例数据后,再分别取出输入输出数据给P、T
%用原始值训练网络
PT=xlsread('e:\mba\abc\abctrain.xls')
%做数据归一化处理
for