newff新旧用法/minmax函数的用法

1，newff函数参数说明

net = newff(P,T,S)                             % 这两种定义都可以
net = newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)

P：输入参数矩阵。(RxQ1)，其中Q1代表R元的输入向量。其数据意义是矩阵P有Q1列，每一列都是一个样本，而每个样本有R个属性（特征）。一般矩阵P需要归一化，即P的每一行都归一化到[0 1]或者[-1 1]。
　　T：目标参数矩阵。(SNxQ2)，Q2代表SN元的目标向量。
　　S：N-1个隐含层的数目（S（i）到S（N-1）），默认为空矩阵[]。输出层的单元数目SN取决于T。返回N层的前馈BP神经网络
　　 TF：相关层的传递函数，默认隐含层为tansig函数，输出层为purelin函数。
　　BTF：BP神经网络学习训练函数，默认值为trainlm函数。
　　BLF：权重学习函数，默认值为learngdm。
　　PF：性能函数，默认值为mse，可选择的还有sse，sae，mae，crossentropy。
　　IPF，OPF，DDF均为默认值即可。
　　例子：

net = newff( input,output, [50] , { 'logsig' 'purelin' } , 'traingdx' ) ;    

2，传递函数TF
　　purelin： 线性传递函数。
　　tansig ：正切S型传递函数。
　　logsig ：对数S型传递函数。　
　　隐含层和输出层函数的选择对BP神经网络预测精度有较大影响，一般隐含层节点转移函数选用 tansig函数或logsig函数，输出层节点转移函数选用tansig函数或purelin函数。
３，学习训练函数BTF
　　traingd：最速下降BP算法。
　　traingdm：动量BP算法。
　　trainda：学习率可变的最速下降BP算法。
　　traindx：学习率可变的动量BP算法。
　　trainrp：弹性算法。
　　变梯度算法：
　　　　traincgf（Fletcher-Reeves修正算法）
　　　　 traincgp（Polak_Ribiere修正算法）
　　　　 traincgb（Powell-Beale复位算法）
　　　　 trainbfg（BFGS 拟牛顿算法）
　　　　 trainoss（OSS算法）

４，参数说明
　　通过net.trainParam可以查看参数
　　 Show Training Window Feedback showWindow: true
　　 Show Command Line Feedback showCommandLine: false
　　 Command Line Frequency show: 两次显示之间的训练次数
　　Maximum Epochs epochs: 训练次数
　　 Maximum Training Time time: 最长训练时间（秒）
　　 Performance Goal goal: 网络性能目标
　　 Minimum Gradient min_grad: 性能函数最小梯度
　　 Maximum Validation Checks max_fail: 最大验证失败次数
　　 Learning Rate lr: 学习速率
　　Learning Rate Increase lr_inc: 学习速率增长值
　　Learning Rate lr_dec: 学习速率下降值
　　 Maximum Performance Increase max_perf_inc:
　　 Momentum Constant mc: 动量因子

新旧用法区别

https://www.cnblogs.com/xxfcz/p/4482813.html
https://blog.csdn.net/witnessai1/article/details/52453537
minmax函数用法------
minmax(A)即是求解A矩阵中每个行向量中的最小值和最大值
例如：
A=[1 2 4 -6 ;
3 -4 90 6;
4 6 -23 -35];
P=minmax(A)
P =
-6 4
-4 90
-35 6