假设已知X1={X1,X2,X3...},X2={X,1X2,X3...},X3={X1,X2,X3...},Y1={Y1,Y2,Y3...},Y2={Y11,Y22,Y33...}
测量数据Y{x1,X11;x2,X22;x3,X33;}
其中,Y1与X1~X3有关,Y2也与X1~X3有关,
p=[X1;X2;X3]; %输入数据矩阵
t=[Y1;Y2]; %目标数据矩阵
%利用premnmx函数对数据进行归一化
[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); % 对于输入矩阵p和输出矩阵t进行归一化处理
dx=[-1,1;-1,1;-1,1]; %归一化处理后最小值为-1,最大值为1
%BP网络训练
net=newff(dx,[3,7,2],{'tansig','tansig','purelin'},'traingdx'); %建立模型,并用梯度下降法训练.
net.trainParam.show=1000; %1000轮回显示一次结果
net.trainParam.Lr=0.05; %学习速度为0.05
net.trainParam.epochs=50000;