你试试这个吧。用这个先确定神经网络的训练算法和神经元节点数。
% c_d为训练数据,变量按行放置
% 这个程序仅仅是用来构建BP神经网络模型,也就是对网络模型训练算法、隐含层神经元节点数优选的
%-----输入参数
% my_mse为系统训练误差
% my_loops为系统训练迭代次数
% my_ns系统训练阶段真实值和模拟值纳什统计系数
% my_relative_coeff为系统训练阶段真实值和模拟值相关系数
% sim_data为模拟值
%-----输入参数
% error为目标误差
% n_n隐含层神经元节点数
% train_f网络训练算法
% itera_n最大迭代次数
function [my_mse,my_loops,my_ns,my_relative_coeff,sim_data]=my_bp_model(c_d,error,n_n,train_f,itera_n)
[m n]=size(c_d);
x=c_d(1:m-1,;
y=c_d(m,;
%求取输入样本的最大最小值
for i=1m-1)
minmax(i,=[min(x(i,) max(x(i,)];
end
%选择训练算法
switch train_f
case 1
t_f='traincgf';%共轭梯度法
case 2
t_f='train';%批处理训练算法
case 3
t_f='traingdm';%带动量的梯度下降算法
case 4
t_f='trainlm';%Levenberg-Marquardt算法
otherwise
disp('invalde train method!');
end
%构建神经网络
my_net=newff(minmax,y,[n_n,1],{'tansig','purelin'},t_f);
my_net.trainParam.goal=error;
my_net.trainParam.epochs=itera_n;
my_net.trainParam.showWindow=0;%用来不显示nntraintool的window窗=窗口
%网络训练
[my_net,tr]=train(my_net,x,y);
%网络仿真模拟
y_sim=sim(my_net,x);
%对bp神经网络预测模型进行评估
my_mse=(sum((y-y_sim).^2))/n;
my_loops=max(tr.epoch);
my_ns=ns_coef_func(y,y_sim);
my_relative_coeff=my_Pearson_coeff(y,y_sim);
sim_data=y_sim;,