MATLAB BP神經網路用法的總結（試用於初學者）
BP（back propagation，反向傳播）神經網路功能及其MATLAB實現。
反向傳播指誤差函式會由輸出端向前反向傳播，隱含層藉此調整權值來縮小誤差。
結構圖：
W為權值，b為閾值。
1. 資料輸入：資料輸入時需先使用傳遞函式進行變化，變換方法包括閾值（階躍）函式、分段線性變換、歸一化函式（mapminmax）、對數S形變換（logsig）、正切S形變換（tansig）。
2. 神經網路建立：
建立函式newcf，該函式建立級聯前向BP神經網路。
Description
newcf(P,T,[S1 S2...S(N-1)],{TF1 TF2...TFN},BTF,BLF,PF,IPF,OPF,DDF)takes,
P - RxQ1 matrix of Q1representative R-element input vectors.
T - SNxQ2 matrix of Q2representative SN-element target vectors.
Si - Sizes of N-1 hidden layers,S1 to S(N-1), default = [].
(Output layer size SN is determined from T.)
TFi - Transfer function of ith layer. Default is 'tansig' for
hidden layers, and 'purelin' for output layer.
BTF - Backprop network training function, default = 'trainlm'.
BLF - Backprop weight/bias learning function, default = 'learngdm'.
PF - Performance function,default = 'mse'.
IPF - Row cell array of input processing functions.
Default is {'fixunknowns','remconstantrows','mapminmax'}.
OPF - Row cell array of output processing functions.
Default is {'remconstantrows','mapminmax'}.
DDF - Data division function, default = 'dividerand';
and returns an N layer cascade-forward backprop network.
net = newcf(P,T,[S1 S2...S(N-1)],{TF1TF2...TFN},BTF,BLF,PF,IPF,OPF,DDF)
PR：每組輸入（共有R組輸入）元素的最大值和最小值組成的R*2維矩陣；
Si：第i層的長度，共計N層；
TFi：第i層的傳遞函式，預設隱含層為tansig，輸出層為purelin，輸入為兩個字串構成的矩陣，取值範圍：
BTF：BP網路的訓練函式，預設為trainlm，即Lecenberg-Marquardt函式，可設定為traingd，梯度下降BP演算法訓練函式，traindm，動量反傳的梯度下降BP演算法訓練函式，trainda，動態自適應學習速率的梯度下降BP演算法訓練函式，traindx，動量反傳和動態自適應學習速率的梯度下降BP演算法訓練函式。
BLF：權值和閾值的BP學習演算法，預設為learngdm，帶動量項，可設定為learngd，不帶動量項。
PF：網路的效能函式，即訓練誤差的計算方法，預設為mse，即均方差，可設定為mae，均值絕對誤差。
IPF：輸入處理函式。
OPF：輸出處理函式。
DDF：驗證資料劃分函式。
後面三個引數一般不設定，取系統預設即可。
建立函式newff，該函式建立前向神經網路。
Description
newff(P,T,S) takes,
P - RxQ1 matrix of Q1representative R-element input vectors.
T - SNxQ2 matrix of Q2representative SN-element target vectors.
Si - Sizes of N-1 hidden layers,S1 to S(N-1), default = [].
(Output layer size SN is determined from T.)
and returns an N layer feed-forward backprop network.
newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF) takes optional inputs,
TFi - Transfer function of ith layer. Default is 'tansig' for
hidden layers, and 'purelin' for output layer.
BTF - Backprop network training function, default = 'trainlm'.
BLF - Backprop weight/bias learning function, default = 'learngdm'.
PF - Performance function,default = 'mse'.
IPF - Row cell array of input processing functions.
Default is {'fixunknowns','remconstantrows','mapminmax'}.
OPF - Row cell array of output processing functions.
Default is {'remconstantrows','mapminmax'}.
DDF - Data division function, default = 'dividerand';
and returns an N layer feed-forward backprop network.
P：輸入資料矩陣；
T：目標資料矩陣；
S：隱含層節點數；
其他引數同newcf。
傳遞函式
Logsig
Tansig
學習函式
Learngd函式
[dW,LS] =learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)
W：權值矩陣；
P：層輸入向量；
Z：層輸入經過加權函式變換後的加權輸入向量；
N：加權輸入經過輸入函式計算後得到的神經元傳遞函式的輸入向量；
A：該層神經元輸出向量；
T：目標向量；
E：誤差向量；
gW：網路效能對於權值的梯度向量；
gA：網路效能對於該層輸出梯度向量；
D：神經元的距離矩陣；
LP：學習引數，learngd函式的學習引數是由學習速率LP.lr構成的，預設值為0.01；
LS：學習狀態，初始值為[]，函式返回閾值調整量dW和當前學習狀態LS。
Learndm函式
引數同上。
訓練函式
Trainbfg準牛頓BP演算法函式
[net,TR =trainbfg(Net,Tr,trainV,valV,testV)
Net:待訓練的神經網咯；
Tr：有延遲的輸入網路；
trainV：訓練向量；
valV：驗證向量；
testV測試向量；
net：訓練後的神經網路；
TR：每步訓練的有關資訊，包括：
TR.epoch：時刻點；
TR.perf：訓練效能；
TR.vperf：確認效能；
TR.tperf：檢驗效能。
info=trainfg（‘info‘）；返回函式的有用資訊。
常規引數：
net.trainParam.goal：網路效能目標，預設值為0。
net.trainParam.max_fail：最大驗證失敗次數，預設值為5.
net.trainParam.min_grad：效能函式的最小梯度，預設值為1e-6.
net.trainParam.show：兩次顯示之間的訓練次數，預設值為25。
net.trainParam.time：最大訓練時間（秒），預設值為INF。