神经网络函数

训练方法	训练函数
梯度下降法	traingd
有动量的梯度下降法	traingdm
弹性梯度下降法	trainrp
拟牛顿算法	trainbfg

神经网络构建
$$net=newff(PR,[S1S2\cdot \cdot \cdot SN]),TF1TF2\cdot \cdot \cdot TFN,BTF$$

• $PR$：由R维的输入样本最小最大值构成的R*2维矩阵
• $[S1S2\cdot \cdot \cdot SN]$：各层的神经元个数
• $TF1TF2\cdot \cdot \cdot TFN$：各层的神经元传递函数
• $BTF$：训练函数名称

网络训练
$$net=train(net,P,T)$$

• $P$：输入数据
• $T$：输出数据

网络仿真
$$Y2=sim(net,P2)$$

• $P2$：待测试数据。

pn = p1*;	%p1的转置给pn
tn = t1*;	%t1的转置给tn

[m,n] = size(t);	%得到矩阵尺寸
[pn,minp,maxp,tn,mint,max] = premnmx(p,t);	%归一化，使量纲一致
net = newff(minmax(pn),[5,1],{'tansig','purelin'},'traingd');	%建立神经网络

net.trainParam.show = 50%;
net.trainParam.lr = 0.01;
net.trainParam.epochs = 1000;
net.trainParam.goal = 1e-5;
[net,tr] = train(net,pn,tn);
anewn = sim(net,pn);
figure;
hold on
plot(anewn,'b',tn,'r');
wucha=sum(abs(b-r)/n);	%输出误差