R=1%輸入元素matlab神經(jīng)網(wǎng)絡(luò)搭建的數(shù)目為1 S2=1%輸出曾的神經(jīng)元個數(shù)為1 S1=10%中間層有10個神經(jīng)元 net=newelm2matlab神經(jīng)網(wǎng)絡(luò)搭建，2，S1，S2，#39tansig#39，#39purelin#39=100%設(shè)定次數(shù) net=trainnet，Pseq，Tseqy=simnet，Pseq預(yù)測 P=randn12，2T=randn12，2threshold=0 1。

第1步隨機(jī)生成200個采樣點用于訓(xùn)練 x=unifrnd5，5，1，200y=unifrnd5，5，1，200z=sinx+y第2步建立神經(jīng)網(wǎng)絡(luò)模型其中參數(shù)一是輸入數(shù)據(jù)的范圍，參數(shù)二是各層神經(jīng)元數(shù)量，參數(shù)三是各層傳遞函數(shù)類型N=newff5 55 5，5，5，1，#39tansig#39，#39tansig#39，#39purelin#39第。

設(shè)置一些初始參數(shù)，Epochs是迭代上限次數(shù)，NodeNum是第一個隱藏層的神經(jīng)元個數(shù)，%TypeNum是幾層TF1和TF2分別定義了幾個傳遞函數(shù)net=newffminmaxP，NodeNum TypeNum，TF1 TF2，#39trainlm#39建立一個神經(jīng)網(wǎng)絡(luò)，訓(xùn)練輸入和輸出數(shù)據(jù)都有了，設(shè)置隱藏層的個數(shù)=Epochsnet。

1 人工神經(jīng)元 Artificial Neuron 模型 人工神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本元素，其原理可以用下圖表示圖中x1~xn是從其他神經(jīng)元傳來的輸入信號，wij表示表示從神經(jīng)元j到神經(jīng)元i的連接權(quán)值，θ表示一個閾值 threshold ，或稱為偏置 bias 則神經(jīng)元i的輸出與輸入的關(guān)系表示為圖中 yi表示神經(jīng)元。

y1=simnet，xplotx，y1，#39#39采用LM優(yōu)化算法 nettrainFcn=#39trainlm#39設(shè)置訓(xùn)練算法 =500=10^6調(diào)用相應(yīng)算法訓(xùn)練BP網(wǎng)絡(luò) net，tr，yy=trainnet，x，y對BP網(wǎng)絡(luò)進(jìn)行仿真 y1=simnet，x計算仿真誤差 E=yy1MSE=mseEhold on 繪制。

使用神經(jīng)網(wǎng)絡(luò)工具箱可以非常簡便地實現(xiàn)網(wǎng)絡(luò)建立和訓(xùn)練，實例代碼如下BP算法function Out=bpnetp，t，p_test%p，t為樣本需要提前組織好global S1net=newffminmaxp，S1，8，#39tansig#39，#39purelin#39，#39trainlm#39 %trainlm訓(xùn)練函數(shù)最有效%net=newffP，T，31，#39tansig#39，#39purelin#39，#39trainlm#39。

newff建立網(wǎng)絡(luò)，train訓(xùn)練網(wǎng)絡(luò)，sim仿真進(jìn)行預(yù)測 具體help以上三個函數(shù) nb，minb，maxb，na，mina，maxa=premnmxtraindata，trainlabelsnc=tramnmxtest_patterns，minb，maxbnet=newffminmaxtraindata，4，6，1，#39tansig#39，tansig#39，#39purelin#39net=trainnet，nb，nand= simnet，nc。

僅含一個隱層的神經(jīng)網(wǎng)絡(luò)就可以任意逼近一個非線性函數(shù)，所以可以選擇只有一個隱層的但隱層節(jié)點數(shù)并沒有規(guī)則，你可以采用試湊法這幾個隱層節(jié)點的公式你可以參考這幾個公式m=n+l+a開根號m=log2的n次方m=nl開根號其中，m為隱層節(jié)點數(shù)n為輸入層節(jié)點數(shù)，l為輸出層。

單擊View，即可顯示結(jié)構(gòu)然后按train，在 inputs和targets里面填入輸入值X和訓(xùn)練的Y，在training parameters中設(shè)置你要的參數(shù)，比如誤差最后按train就可以開始訓(xùn)練完了一定記住按網(wǎng)絡(luò)模型輸出Export，將模型轉(zhuǎn)入command windows下面調(diào)用如y1=simnetwork1，x0plotx，y，#39o#39，x0，y0，y1，#39#39。

當(dāng)你用newff的時候，里面有一個參數(shù)可以控制層數(shù)，比如說P = 0 1 2 3 4 5 6 7 8 9 10T = 0 1 2 3 4 3 2 1 2 3 4net = newffP，T，5 %這樣表示有1個隱藏層，里面那個5表示神經(jīng)元的個數(shù) net = newffP，T，5，10 %這樣表示有2個隱藏層 net = newffP。

net=newlindP，T%用輸入和期望訓(xùn)練網(wǎng)絡(luò) Y=simnet，P%仿真，可以看到仿真結(jié)果Y和期望輸出T的接近程度 P = 1 2 2 3 2 1 3 1 T = 1 2 3 4 Y = 08889 21667 30556 38889 樓主可以從matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用第二版董長虹 開始入門。

S2=1%輸出曾的神經(jīng)元個數(shù)為1 S1=10%中間層有10個神經(jīng)元 net=newelm2，2，S1，S2，#39tansig#39，#39purelin#39=100%設(shè)定次數(shù) net=trainnet，Pseq，Tseqy=simnet，Pseq預(yù)測 P=randn12，2T=randn12，2threshold=0 10 10 10 10 10。

建立BP神經(jīng)網(wǎng)絡(luò)， 12個隱層神經(jīng)元，4個輸出神經(jīng)元 tranferFcn屬性 #39logsig#39 隱層采用Sigmoid傳輸函數(shù) tranferFcn屬性 #39logsig#39 輸出層采用Sigmoid傳輸函數(shù) trainFcn屬性 #39traingdx#39 自適應(yīng)調(diào)整學(xué)習(xí)速率附加動量因子梯度下降反向傳播算法訓(xùn)練函數(shù) learn屬性 #39learngdm#39 附加動量因子的梯度下降學(xué)習(xí)函數(shù) net。

對y=x1^2+x2^2非線性系統(tǒng)進(jìn)行建模，用1500組數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行構(gòu)建網(wǎng)絡(luò)，500組數(shù)據(jù)測試網(wǎng)絡(luò)由于BP神經(jīng)網(wǎng)絡(luò)初始神經(jīng)元之間的權(quán)值和閾值一般隨機(jī)選擇，因此容易陷入局部最小值本方法使用遺傳算法優(yōu)化初始神經(jīng)元之間的權(quán)值和閾值，并對比使用遺傳算法前后的效果步驟未經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建模 1。

原理就是建立網(wǎng)絡(luò)數(shù)據(jù)歸一化訓(xùn)練預(yù)測數(shù)據(jù)反歸一化附件是電力負(fù)荷預(yù)測的例子，可以參考BPBack Propagation神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入輸出模式。

用BP神經(jīng)網(wǎng)絡(luò)可以對任意階乘的訓(xùn)練向量進(jìn)行訓(xùn)練然后輸出目標(biāo)向量，最后預(yù)測未來的量例如已知55個數(shù)據(jù) ，用5×40向量數(shù)據(jù)作為訓(xùn)練向量，然后輸出1×40的數(shù)據(jù)向量即對545序列進(jìn)行預(yù)測，最后，再對4666序列進(jìn)行預(yù)測實現(xiàn)代碼訓(xùn)練向量 P_in= %5×40向量 目標(biāo)向量 T=。

你需要的功能比較簡單，可以考慮直接使用MATLAB提供的神經(jīng)網(wǎng)絡(luò)圖形用戶界面Neural Network Graphic User Interface的功能在Matlab命令窗口敲nntool命令調(diào)出來，打開NetworkData管理器窗口，再點擊New，按步驟操作即可在里面可以設(shè)置哪些是訓(xùn)練數(shù)據(jù)樣本，哪些是驗證網(wǎng)絡(luò)泛化能力的樣本。