神经网络工具箱包含在nnet目录中.doc

神经网络工具箱包含在nnet目录中，键入help nnet可得到帮助主题 工具箱包含了许多示例。 每一个例子讲述了一个问题， 展示了用来解决问题的网络并给 出了最后的结果。显示向导要讨论的神经网络例子和应用代码可以通过键入help nndemos 找到。 Logsig—— LOGSIG Logarithmic sigmoid transfer function logsig(n) = 1 / (1 + exp(-n)) Tansig——n = 2/(1+exp(-2*n))-1 Porelin ——PURELIN Linear transfer function. 当网络的最后一层采用曲线函数时， 输出被限制在一个很小的范围内， 如果采用线性函数则输出可为任意值。以上三个函数是BP网络中最常用到的函数，但是如果需要的话你也可以创建其他可微的转移函数。 增加模式训练法（ADAPT） 函数adapt用来训练增加模式的网络，它从训练设置中接受网络对象、网络输入和目标 输入，返回训练过的网络对象、用最后的权重和偏置得到的输出和误差。 带动力的梯度下降法(LEARDGDM) 除了learngd以外， 还有一种增加方式算法常被用到， 它能提供更快的收敛速度--learngdm, 带动量的最速下降法 批处理训练方式 训练的另一种方式是批处理方式，它由函数train触发。在批处理方式中，当整个训练设 置被应用到网络后权重和偏置才被更新。 在每一个训练例子中的计算的梯度加在一起来决定 权重和偏置的变化。 批处理梯度下降法(TRAINGD) 与增加方式的学习函数learngd等价的函数是traingd， 它是批处理形式中标准的最速下降 学习函数。 权重和偏置沿着性能函数的梯度的负方向更新。 如果你希望用批处理最速下降法训练函数，你要设置网络的trainFcn为traingd，并调用train函数。不像以前章节的学习函数，它们要单独设置权重矩阵和偏置向量，这一次给定的网络只有一个学习函数。 Traingd有几个训练参数：epochs,show,goal,time,min_grad,max_fail和lr。这里的学习速率 和lerangd的意义是一样的。训练状态将每隔show次显示一次。其他参数决定训练什么时候结束。如果训练次数超过epochs,性能函数低于goal，梯度值低于mingrad或者训练时间超过time，训练就会结束。 clear; clc a=[ 06 07 08 14 23 31 12 03 05 11 18 26 28 06 03 06 14 15 17 25 16 01 08 12 13 15 33 03 02 10 12 17 23 24 05 02 04 10 12 17 30 10 01 02 14 15 24 29 06 09 10 12 14 15 19 11 02 15 18 27 28 32 14 04 05 09 27 29 31 13 01 14 15 17 26 30 02 06 15 20 22 26 33 09 05 06 13 17 19 28 01 04 21 25 29 30 33 03 03 13 14 15 21 33 03 07 14 18 25 26 29 06 06 07 10 19 23 29 12 07 08 14 25 26 28 13 01 02 04 12 21 24 12 04 11 14 15 22 31 11 16 17 18 24 25 30 8 4 5 13 23 27 30 9 3 6 15 18 30 32 5 2 4 7 9 15 20 7 1 6 17 19 26 31 11 1 7 8 12 16 21 1 1 2 5 16 20 26 6 2 8 13 28 29 30 5 4 6 12 30 31 32 9 2 5 6 12 14 28 5 5 6 7 11 13 18 15 2 4 5 17 19 20 8 5 6 13 19 22 28 9 6 14 17 22 28 29 2 3 12 17 24 27 29 9 1 9 11 17 32 33 12 1 4 9 13 16 23 2 3 8 17 21 25 32 15 2 9 15 22 26 32 1 9 10 13 17 22 30 13 1 13 14 25 31 32 12 6 1