%使用用輸入輸出資料（inputData、outputData）建立網路，
%隱節點個數設為3.其中隱層、輸出層的傳遞函式分別為tansig和purelin，使用trainlm方法訓練。
net =newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');
%設定一些常用引數
net.trainparam.goal =0.00001; %訓練目標：均方誤差低於0.0001
net.trainparam.show =400;   %每訓練400次展示一次結果
net.trainparam.epochs =15000;  %最大訓練次數：15000.
net.divideFcn = '';
[net,tr] =train(net,inputData,outputData);%呼叫matlab神經網路工具箱自帶的train函式訓練網路
 

其中，隱藏層節點是3，我選取較簡單的輸入層節點為2，輸出層節點是 1來構建網路。

訓練好網路後，可用sim函式來執行Simulink模型，可通過輸入預測輸出，例如：

input=[4000;20]
simout =sim(net,input); %呼叫matlab神經網路工具箱自帶的sim函式得到網路的預測值

有的時候，我們需要提取已訓練好的神經網路，我們可以把它的權值，閾值匯出，如下程式碼，可提取出權值閾值的值。

w12 = net.iw{1,1} %第1層（輸入層）到第2層（隱層）的權值
b2 = net.b{1}    %第2層（隱層）的閾值
w23 = net.lw{2,1} %第2層（輸入層）到第3層（輸出層）的權值
b3 = net.b{2}    %第3層（輸出層）的閾值
 

得到權值與閾值的值後，我們要代入表示式中，

由於之前構建網路選用的啟用函式是tandig ，purelin，預測結果的數學表示式如下：

代表這個權值是第2層的第1個節點到第3層的第1個節點的權值。

在MATLAB中，我將上式整理為如下形式：

simy=purelin(w23*tansig(w12*[a;b]+b2)+b3)

w23 ,w12 ,b2,b3為上邊提取的權值閾值矩陣。

因為版本問題，newff函式有不同的用法，區別如下：

net =newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');% 新
net =newff(minmax(inputData),[3 1],{'tansig','purelin'},'trainlm'); %舊
 

因為新版本自帶歸一化，新版本網路中的權值和閾值都是對於歸一化後的資料，因此，在運用神經網路數學表示式時，需要在之前把輸入歸一化，在之後把輸出反歸一化。

歸一化方法為
y=(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin

y是歸一化後資料，x是歸一化前資料，反歸一化公式為：

x=(y-ymin)*(xmax-xmin)/(ymax-ymin)+xmin

因為神經網路選擇的是歸一化到（-1,1），所以，ymin=-1.ymax=1,輸入和輸出都是如此。

可寫成如下，便可得到數學表示式用輸入預測輸出，結果與sim函式一致。

a=2*(a-amin)/(amax-amin)-1;
b=2*(b-bmin)/(bmax-bmin)-1;
simy=purelin(w23*tansig(w12*[a;b]+b2)+b3)
simy=(simy+1)*(simymax-simymin)/2+simymin

為何要提取表示式呢，有的時候，在MATLAB上很方便的訓練好網路後，可直接利用訓練好的權值閾值在其他工具上使用。