clear all
clc
p_train=[0.012 0.035 0.156 0.036 0.009 0.026 0.125 0.001 0.002 0.040;
0.025 0.056 0.264 0.058 0.352 0.036 0.062 0.026 0.123 0.030;
0.036 0.190 0.036 0.042 0.042 0.001 0.021 0.062 0.020 0.123;
0.042 0.042 0.021 0.159 0.258 0.063 0.265 0.321 0.251 0.060;
0.021 0.063 0.032 0.056 0.056 0.265 0.023 0.052 0.260 0.120;
0.026 0.142 0.084 0.283 0.025 0.021 0.036 0.062 0.062 0.230;
0.069 0.036 0.056 0.052 0.023 0.156 0.120 0.021 0.062 0.152;
0.012 0.058 0.035 0.041 0.256 0.021 0.005 0.052 0.020 0.063;
0.085 0.020 0.162 0.056 0.012 0.036 0.062 0.042 0.336 0.050;
0.163 0.042 0.082 0.041 0.039 0.021 0.046 0.001 0.006 0.230;
0.142 0.063 0.046 0.056 0.125 0.036 0.021 0.054 0.024 0.020;
0.056 0.075 0.156 0.025 0.321 0.060 0.054 0.042 0.052 0.132;
0.046 0.009 0.025 0.052 0.052 0.250 0.021 0.052 0.063 0.002;
0.028 0.062 0.261 0.251 0.019 0.125 0.002 0.420 0.006 0.140;
0.046 0.075 0.042 0.036 0.022 0.021 0.123 0.062 0.210 0.200;
0.210 0.001 0.260 0.230 0.213 0.002 0.123 0.032 0.123 0.006;
0.060 0.065 0.321 0.123 0.125 0.321 0.032 0.052 0.023 0.253;
0.030 0.040 0.005 0.023 0.023 0.123 0.021 0.042 0.222 0.066];
t_train=[0.123 0.230 0.210 0.006 0.250 0.212 0.414 0.216 0.006 0.125];
p_sim=[0.112;0.028;0.084;0.037;0.047;0.083;0.079;0.024;0.043;0.047;0.051;0.077;0.103;0.078;0.028;0.014;0.035;0.028];
%%
net=newff(p_train,t_train,5,{'tansig','tansig','tansig'},'traingdx')
%%
net.trainParam.epochs=500;
net.trainParam.goal=0.005;
net.trainParam.ir=0.001;
%%
net=train(net,p_train,t_train);
%[net,tr]=train(net,p_train,t_train);
%放入到网络输出数据
t_sim=sim(net,p_sim);