BP网络构建中所需要的函数，以及示例总结

2744557306

BP网络的训练函数

[size=10.5000pt]训练方法	[size=10.5000pt]训练函数
[size=10.5000pt]梯度下降法[size=10.5000pt]	[size=10.5000pt]traingd[size=10.5000pt]
[size=10.5000pt]有动量的梯度下降法	[size=10.5000pt]traingdm
[size=10.5000pt]自适应lr梯度下降法	[size=10.5000pt]traingda
[size=10.5000pt]自适应lr动量梯度下降法	[size=10.5000pt]traingdx
[size=10.5000pt]弹性梯度下降法	[size=10.5000pt]trainrp
[size=10.5000pt]Fletcher-Reeves共轭梯度法	traincgf
[size=10.5000pt]Ploak-Ribiere共轭梯度法	traincg[size=10.5000pt]p
[size=10.5000pt]Powell-Beale共轭梯度法	traincg[size=10.5000pt]b
[size=10.5000pt]量化共轭梯度法	[size=10.5000pt]trainscg
[size=10.5000pt]拟牛顿算法	[size=10.5000pt]trainbfg
[size=10.5000pt]一步正割算法	[size=10.5000pt]trainoss
[size=10.5000pt]Levenberg-Marquardt	[size=10.5000pt]trainlm

BP网络训练参数

训练参数	[size=10.5000pt]参数介绍	[size=10.5000pt]训练函数
net.trainParam.epochs	[size=10.5000pt]最大训练次数（缺省为10）[size=10.5000pt]	[size=10.5000pt]traingd、traingdm、traingda、traingdx、trainrp、traincgf[size=10.5000pt]、traincg[size=10.5000pt]p、traincg[size=10.5000pt]b、trainscg、trainbfg、trainoss、trainlm
net.trainParam.goal	[size=10.5000pt]训练要求精度（缺省为0）[size=10.5000pt]	[size=10.5000pt]traingd、traingdm、traingda、traingdx、trainrp、traincgf[size=10.5000pt]、traincg[size=10.5000pt]p、traincg[size=10.5000pt]b、trainscg、trainbfg、trainoss、trainlm
net.trainParam.lr	[size=10.5000pt]学习率（缺省为0.01）[size=10.5000pt]	[size=10.5000pt]traingd、traingdm、traingda、traingdx、trainrp、traincgf[size=10.5000pt]、traincg[size=10.5000pt]p、traincg[size=10.5000pt]b、trainscg、trainbfg、trainoss、trainlm
net.trainParam.max_fail	[size=10.5000pt]最大失败次数（缺省为5）	[size=10.5000pt]traingd、traingdm、traingda、traingdx、trainrp、traincgf[size=10.5000pt]、traincg[size=10.5000pt]p、traincg[size=10.5000pt]b、trainscg、trainbfg、trainoss、trainlm
net.trainParam.min_grad	[size=10.5000pt]最小梯度要求（缺省为1e-10）	[size=10.5000pt]traingd、traingdm、traingda、traingdx、trainrp、traincgf[size=10.5000pt]、traincg[size=10.5000pt]p、traincg[size=10.5000pt]b、trainscg、trainbfg、trainoss、trainlm
net.trainParam.show	[size=10.5000pt]显示训练迭代过程（NaN表示不显示，缺省为25）	[size=10.5000pt]traingd、traingdm、traingda、traingdx、trainrp、traincgf[size=10.5000pt]、traincg[size=10.5000pt]p、traincg[size=10.5000pt]b、trainscg、trainbfg、trainoss、trainlm
net.trainParam.time	[size=10.5000pt]最大训练时间（缺省为inf）	[size=10.5000pt]traingd、traingdm、traingda、traingdx、trainrp、traincgf[size=10.5000pt]、traincg[size=10.5000pt]p、traincg[size=10.5000pt]b、trainscg、trainbfg、trainoss、trainlm
net.trainParam.mc	[size=10.5000pt]动量因子（缺省0.9）	[size=10.5000pt]traingdm、traingdx
net.trainParam.lr_inc	[size=10.5000pt]学习率lr增长比（缺省为1.05）	[size=10.5000pt]traingda、traingdx
net.trainParam.lr_dec	[size=10.5000pt]学习率lr下降比（缺省为0.7）	[size=10.5000pt]traingda、traingdx
net.trainParam.max_perf_inc	[size=10.5000pt]表现函数增加最大比（缺省为1.04）	traingda[size=10.5000pt]、traingdx
net.trainParam.delt_inc	[size=10.5000pt]权值变化增加量（缺省为1.2）	[size=10.5000pt]trainrp
net.trainParam.delt_dec	[size=10.5000pt]权值变化减小量（缺省为0.5）	[size=10.5000pt]trainrp
net.trainParam.delt0	[size=10.5000pt]初始权值变化（缺省为0.07）	[size=10.5000pt]trainrp
net.trainParam.deltamax	[size=10.5000pt]权值变化最大值（缺省为50.0）	[size=10.5000pt]trainrp
net.trainParam.searchFcn	[size=10.5000pt]一维线性搜索方法（缺省为srchcha）	traincgf[size=10.5000pt]、traincg[size=10.5000pt]p、traincg[size=10.5000pt]b、trainbfg、trainoss
net.trainParam.sigma	[size=10.5000pt]因为二次求导对权值调整的影响参数（缺省值5.0e-5）	[size=10.5000pt]trainscg
net.trainParam.lambda	[size=10.5000pt]Hessian矩阵不确定性调节参数（缺省为5.0e-7）	[size=10.5000pt]trainscg
net.trainParam.men_reduc	[size=10.5000pt]控制计算机内存/速度的参量，内存较大设为1，否则设为2（缺省为1）	[size=10.5000pt]trainlm
net.trainParam.mu	file:///C:/Users/312/AppData/Local/Temp/ksohtml28144/wps11.png[size=10.5000pt]的初始值（缺省为0.001）	[size=10.5000pt]trainlm
net.trainParam.mu_dec	file:///C:/Users/312/AppData/Local/Temp/ksohtml28144/wps12.png[size=10.5000pt]的减小率（缺省为0.1）	[size=10.5000pt]trainlm
net.trainParam.mu_inc	file:///C:/Users/312/AppData/Local/Temp/ksohtml28144/wps13.png[size=10.5000pt]的增长率（缺省为10）	[size=10.5000pt]trainlm
net.trainParam.mu_max	file:///C:/Users/312/AppData/Local/Temp/ksohtml28144/wps14.png[size=10.5000pt]的最大值（缺省为1e10）	[size=10.5000pt]trainlm

' x0 t+ y- r" O7 J