一matlab程序中一点点的小问题

yychanaz

神经网络预测
/ n0 C$ D# ]) G) t2 T; Y% 数据为1986年到2000年的交通量 ，网络为3输入，1输出
% 15组数据，其中9组为正常训练数据，3组为变量数据，3组为测试数据
%by akjuan
%all rights preserved by www.4math.cn
0 l- n' m+ H: ?7 ]. ?All_error=[];%所有误差存储
year=1986:2000;%数据是从1986到2000年的
p=[493 372 445;372 445 176;445 176 235;176 235 378;235 378 429;...
  ?9 j7 f! M3 Y' D7 D   378 429 561;429 561 651;561 651 467;651 467 527;467 527 668;...
9 H. `$ |# {. B5 @   527 668 841; 668 841 526;841 526 480;526 480 567;480 567 685]';%输入数据，共15组，每组3个输入
t=[176 235 378 429 561 651 467 527 668 841 526 480 567 685 507];%输出数据，共15组，每组1个输出
[normInput,ps] = mapminmax(p);
- I8 l1 m$ |( p3 M9 A: o[normTarget,ts] = mapminmax(t);
6 D( \+ N- E0 t) I$ S/ G9 xtestPercent = 0.20;  % Adjust as desired
: ^( r; g7 I! }( ~- w- H* dvalidatePercent = 0.20;  % Adust as desired
& y' R6 h7 j; O% N% I[trainSamples,validateSamples,testSamples] = dividevec(normInput,normTarget,validatePercent,testPercent);
for j=1:200
! i& z0 x, H( k, w2 K) sNodeNum1 = 20; % 隐层第一层节点数
NodeNum2=40;   % 隐层第二层节点数
$ {7 M) T6 Y) S! f" t1 HTypeNum = 1;   % 输出维数
1 G/ \/ n+ Z; @8 S4 T* qTF1 = 'tansig';TF2 = 'tansig'; TF3 = 'tansig';
net=newff(minmax(normInput),[NodeNum1,NodeNum2,TypeNum],{TF1 TF2 TF3},'traingdx');%网络创建net.trainParam.epochs=10000;%训练次数设置
net.trainParam.goal=1e-6;%训练目标设置
; M% l$ p0 i5 `/ w3 N8 bPL.lr=0.01;net.trainfcn='traingdm';
[net,tr] = train(net,trainSamples.P,trainSamples.T,[],[],validateSamples,testSamples);
2 Y/ g8 \* s% q! g[normTrainOutput,Pf,Af,E,trainPerf] = sim(net,trainSamples.P,[],[],trainSamples.T);%正常输入的9组p数据，BP得到的结果t
# O# w6 y) H9 }2 d[normValidateOutput,Pf,Af,E,validatePerf] = sim(net,validateSamples.P,[],[],validateSamples.T);%用作变量3的数据p，BP得到的结果t
[normTestOutput,Pf,Af,E,testPerf] = sim(net,testSamples.P,[],[],testSamples.T);%用作测试的3组数据p，BP得到的结果t
trainOutput = mapminmax('reverse',normTrainOutput,ts);%正常输入的9组p数据，BP得到的归一化后的结果t
trainInsect = mapminmax('reverse',trainSamples.T,ts);%正常输入的9组数据t
4 o8 S' S' |9 f0 n' wvalidateOutput = mapminmax('reverse',normValidateOutput,ts);%用作变量3的数据p，BP得到的归一化的结果t
validateInsect = mapminmax('reverse',validateSamples.T,ts);%用作变量3的数据t
testOutput = mapminmax('reverse',normTestOutput,ts);%用作变量3组数据p，BP得到的归一化的结果t
1 v! Z& D" g1 c# M& ?5 FtestInsect = mapminmax('reverse',testSamples.T,ts);%用作变量3组数据t
1 j+ k) O/ ~! V/ z0 [%绝对误差计算
  _- ]/ {# R9 D4 R- t/ JabsTrainError = trainOutput-trainInsect;
absTestError = testOutput-testInsect;
: U1 P& N/ K1 H4 Y8 U8 F: K' Uerror_sum=sqrt(absTestError(1).^2+absTestError(2).^2+absTestError(3).^2);
' A* S2 W8 @' A0 V) NAll_error=[All_error error_sum];
eps=90;%其为3组测试数据的标准差，或者每个数据偏差在一定范围内而判别
if ((abs(absTestError(1))<=30 )&(abs(absTestError(2))<=30)&(abs(absTestError(3))<=30)|(error_sum<=eps))
7 M, G8 }$ j! W/ p' ~save mynetdata net
; s- I3 X6 z1 h* N: V+ n- Z+ M     break
end
j
end
9 i( k6 U: z# x# Q) i/ {问题是：
2 m' }  I! l% l& d8 G1 B8 \: Dif ((abs(absTestError(1))<=30 )&(abs(absTestError(2))<=30)&(abs(absTestError(3))<=30)|(error_sum<=eps))
1 g8 l: W- e0 u" G, ^  Y$ H( d中的30是怎么算出来的啊

刚飒雷丝

好复杂啊!看不懂