matlab显示神经网络结构图,[转载]bp神经网络结构设计和在MATLAB中仿真方法

4.2 神经网络的设计

在得到信号的特征向量以后，下一步工作就是建立并训练神经网络去对信号进行分类识别。

(1)输入和输出层的设计

输入层的输入单元个数可以根据特征向量的维数决定。本文选取了5种特征向量，输入层则选择5个输入单元。

输出层的维数根据使用的要求确定。若将BP神经网络用作分类器，类别模式一共有m个，那么输出层的神经元的个数为m或

，或采用线性输出。本文采用线性输出。

(2)隐含层的设计

对于BP网络，有一个非常重要的定理。即对于任何在闭区间内的一个连续函数都可以用单隐含层的BP网络逼近，因而一个三层BP网络可以完成任意的n维到m维的映射。

隐层的神经元数目选择是一个十分复杂的问题，往往需要根据设计者的经验和多次实验来确定，因而不存在一个理想的解析式来表示。隐含层的数目与问题的要求、输入/输出单元的数目都有直接关系。隐含层数目太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能实现以前没有看到的样本，因此存在一个最佳的隐单元数。以下2个公式可用于选择最佳隐单元数时的参考公式。

1) ，其中，m为输出神经元数，n为输入神经元数，a为

[1,10]之间的常数。

2) ，其中，n为输入神经元数。

神经网络MATLAB工具箱介绍：

1)新建net=newff(输入向量范围，网络结构，各层转移函数，网络调整算法)

2)初始化Net=init(net)

3)训练Train(net，p，t)

4)仿真Sim(net，p)

4.3 BP网络训练及识