Matlab神经网络工具箱的认识(一）

神经网络创建函数

    cascadeforwardnet - Cascade-forward neural network.      创建多层前馈BP网络
    competlayer       - Competitive neural layer.            创建竞争层
    distdelaynet      - Distributed delay neural network.    创建延时网络
    elmannet          - Elman neural network.                创建ELMAN递归网络
    feedforwardnet    - Feed-forward neural network.         创建前馈BP网络 
    linearlayer       - Linear neural layer.                 创建线性层
    lvqnet            - Learning vector quantization (LVQ) neural network.   创建学习向量向量化网络
    newgrnn           - Design a generalized regression neural network. 设计广义回归神经网络
    newhop            - Create a Hopfield recurrent network.   创建Hopfield递归网络
    newlind           - Design a linear layer.                 设计线性层
    newpnn            - Design a probabilistic neural network. 设计概率神经网络
    newrb             - Design a radial basis network.         设计径向基网络
    newrbe            - Design an exact radial basis network.  设计严格的径向基网络
    patternnet        - Pattern recognition neural network.    创建模式识别神经网络
    perceptron        - Perceptron.                            创建感知器网络
    selforgmap        - Self-organizing map.                   创建自组织特征映射
    timedelaynet      - Time-delay neural network.             创建时滞神经网络

可视化工具

 nctool       - Neural Classification app   聚类问题
 nftool       - Neural Fitting app          拟合问题
 nprtool      - Neural Pattern Recognition app   模式识别问题
 ntstool      - Neural Time Series app           时间序列问题
 
 

训练函数

 trainb    - 使用权重和偏差学习规则进行批量训练
 trainbfg  - 拟牛顿反向传播训练函数
 trainbr   - 贝叶斯归一化反向传播。
 trainbu   - 具有重量和偏见学习规则的无监督训练
 trainc    - 以学习函数依次对输入样本进行训练的函数
 traincgb  - 用Powell-Beale重新进行共轭梯度反向传播。
 traincgf  - 与Fletcher-Reeves变梯度反向传播。
 traincgp  - 与Polak-Ribiere变共轭梯度反向传播。
 traingd   - 梯度下降反向传播。
 traingda  - 具有自适应lr反向传播的梯度下降。
 traingdm  - 具有动量因子的梯度下降反向。
 traingdx  - 梯度下降/动量和自适应lr反向传播
 trainlm   - 梯度下降/动量和自适应lr反向传播
 trainoss  - oss 反向传播算法.
 trainrp   - 弹性BP反向传播的训练函数
 trainscg  - 比例共轭梯度反向传播。

神经网络对象net及其对象（还有一个子对象，不学）

P=[0,0,1,1;0,1,1,1]

P =

     0     0     1     1
     0     1     1     1

 T=[0,1,0,1]

T =

     0     1     0     1

>> net=newrbe(P,T)     创建一个径向基网络

然后会得到以下描述：

net =

    Neural Network
 
              name: 'Radial Basis Network, Exact'
          userdata: (your custom info)
 
    dimensions:
 
         numInputs: 1  定义了网络的输入向量的个数。
         numLayers: 2  定义网络的层数，不包括输入层。
        numOutputs: 1  定义网络的输出数
    numInputDelays: 0  输入向量的延迟
    numLayerDelays: 0  网络层的输出单元的延迟
 numFeedbackDelays: 0  反馈的延迟
 numWeightElements: 17 
        sampleTime: 1
 
    connections:
 
       biasConnect: [1; 1]  各个网络层是否有阙值，表明两个网络层都具有阙值
      inputConnect: [1; 0]  各层是否有来自输入层的输入向量的连接权，其值为Nx1二值向量  这里是指，输入层与隐含层之间具有连接权值，隐含层与输出层之间没有。
      layerConnect: [0 0; 1 0]  定义一个网络层是否具有另一个网络层的连接权值。
     outputConnect: [0 1]       定义各网络层是否作为输出层
 
    subobjects:
 
             input: Equivalent to inputs{1}
            output: Equivalent to outputs{2}
 
            inputs: {1x1 cell array of 1 input}
            layers: {2x1 cell array of 2 layers}
           outputs: {1x2 cell array of 1 output}
            biases: {2x1 cell array of 2 biases}
      inputWeights: {2x1 cell array of 1 weight}
      layerWeights: {2x2 cell array of 1 weight}
 
    functions:
 
          adaptFcn: (none)   定义网络进行权值/阙值调整时所采取的函数 adapt函数
        adaptParam: (none)   
          derivFcn: 'defaultderiv'
         divideFcn: (none)
       divideParam: (none)
        divideMode: 'sample'
           initFcn: 'initlay'    定义网络初始化权值或阙值是所采取的函数 init函数
        performFcn: 'mse'       网络用于衡量网络性能所采用的函数 mae绝对平均 mse均方误差  msereg归一化均方误差  sse平方和误差  
      performParam: .regularization, .normalization
          plotFcns: {}          
        plotParams: {1x0 cell array of 0 params}
          trainFcn: (none)    定义当前的训练函数
        trainParam: (none)     相应的参数值
 
    weight and bias values:
 
                IW: {2x1 cell} containing 1 input weight matrix  定义从网络输入向量到网络层之间的权值向量，是一个N*M的细胞数组，N是指网络层数，M为输入向量个数。
                LW: {2x2 cell} containing 1 layer weight matrix 定义从一个网络层到另一个网络层的权值向量
                 b: {2x1 cell} containing 2 bias vectors  定义各层的阈值，有两层就有两层阈值
 
    methods:
 
             adapt: Learn while in continuous use
         configure: Configure inputs & outputs
            gensim: Generate Simulink model
              init: Initialize weights & biases
           perform: Calculate performance
               sim: Evaluate network outputs given inputs
             train: Train network with examples
              view: View diagram
       unconfigure: Unconfigure inputs & outputs
 
    evaluate:       outputs = net(inputs)

最后怎么用没学