神经网络学习算法matlab仿真
神经网络与深度学习——基于MATLAB的仿真与实现
目录分析
第1章神经网络概 述
读书笔记
读书笔记
这是《神经网络与深度学习——基于MATLAB的仿真与实现》的读书笔记模板，可以替换为自己的心得。
精彩摘录
精彩摘录
这是《神经网络与深度学习——基于MATLAB的仿真与实现》的读书笔记模板，可以替换为自己的精彩内容 摘录。
谢谢观看
第6章径向基神经网络
6.1径向基神经网络的基本结构与算法基础 6.2径向基神经网络的MATLAB实现 6.3关于径向基神经网络的几点讨论
第7章 Hopfield神经网络
7.1 Hopfield神经网络的基本结构与算法基础 7.2 Hopfield神经网络的MATLAB实现 7.3关于Hopfield神经网络的几点讨论
第9章概率神经 网络
第3章感知机
3.1感知机的基本结构与算法基础 3.2感知机的MATLAB实现
第4章线性神经网络
4.1线性神经网络的基本结构与算法基础 4.2线性神经网络的MATLAB实现 4.3关于线性神经网络的几点讨论
第5章 BP神经网络
5.1 BP神经网络的基本结构与算法基础 5.2 BP神经网络的MATLAB实现 5.3关于BP神经网络的几点讨论
第8章 SOM神经网络
8.1 SOM神经网络的基本结构与算法基础 8.2 SOM神经网络的MATLAB实现 8.3关于SOM神经网络的几点讨论
第9章概率神经网络
在Matlab中实现神经网络的方法与实例
在Matlab中实现神经网络的方法与实例神经网络是一种模拟人类大脑神经系统的计算模型，它能够通过学习数据的模式和关联性来解决各种问题。
在计算机科学和人工智能领域，神经网络被广泛应用于图像识别、自然语言处理、预测等任务。
而Matlab作为一种功能强大的科学计算软件，提供了一套完善的工具箱，可以方便地实现神经网络的建模和训练。
本文将介绍在Matlab中实现神经网络的方法与实例。
首先，我们会简要介绍神经网络的基本原理和结构，然后详细讲解在Matlab中如何创建并训练神经网络模型，最后通过几个实例展示神经网络在不同领域的应用。
一、神经网络的原理和结构神经网络模型由神经元和它们之间的连接构成。
每个神经元接收输入信号，并通过权重和偏置进行加权计算，然后使用激活函数对结果进行非线性变换。
这样，神经网络就能够模拟复杂的非线性关系。
常见的神经网络结构包括前馈神经网络（Feedforward Neural Network）和循环神经网络（Recurrent Neural Network）。
前馈神经网络是最基本的结构，信号只能向前传递，输出不对网络进行反馈；而循环神经网络具有反馈连接，可以对自身的输出进行再处理，适用于序列数据的建模。
神经网络的训练是通过最小化损失函数来优化模型的参数。
常用的训练算法包括梯度下降法和反向传播算法。
其中，梯度下降法通过计算损失函数对参数的梯度来更新参数；反向传播算法是梯度下降法在神经网络中的具体应用，通过反向计算梯度来更新网络的权重和偏置。
二、在Matlab中创建神经网络模型在Matlab中，可以通过Neural Network Toolbox来创建和训练神经网络模型。
首先，我们需要定义神经网络的结构，包括输入层、隐藏层和输出层的神经元数量，以及每个神经元之间的连接权重。
例如，我们可以创建一个三层的前馈神经网络模型：```matlabnet = feedforwardnet([10 8]);```其中，`[10 8]`表示隐藏层的神经元数量分别为10和8。
改进的小波神经网络及其Matlab仿真
４０ ２
内
蒙
古
民
族
大
学
学
报
２ １ 正 ０１
ｓ ｐ ： （ ）（ ） 算 隐层及 输 出层 的输 出 ； ｔ ３用 １一 ３计 ｅ ｓ ｐ 计 算误 差 ， （ ） １ ） ｔ ４： ｅ 用 ８ （３计算 梯 度 向量 ； ｓ ｐ ： ｍ＋ ， 果 ｍ Ｐ 则 转 ｓ ｐ ； 则 ， 算 代 价 函数 Ｅ， （ ） ６ 修 改 网 络 参 数 ， 时计 算 ｔ ５ ｍ＝ １ 如 ｅ ＜， ｔ４否 ｅ 计 用 ４ 一（） 同 Ａ （Ｅ：Ｅ ）一Ｅ Ｗ一 ）若△ ＜０，０ ＥＡ （ （ ） ； Ｅ 。 贝 置田 ＝ｒｘ１２ 反 之 町＝钾× ． ； ／ ５， ． ０８ ｓｐ ： ｔ ６ 当性 能 指 标 Ｅ小 于 预先 设 定 的某 个 值 ￡（ ０ ， 停 止 网络 的学 习 ， 则将 ｒ重置 为 １并 转 ｅ ｓ＞ ）则 否 ｌ ｌ ，
００５图 ２ 图 ３ ． ． 和 ０ 分别 为小 波 网络 和改 进结 构 的小 波 网络 的训练误 差 与步 数之 间 的关 系 曲线 ．
图 ２ 标 准 小 波 网 络 误 差 曲线
Ｆｉ ｕ ｅ ２ Ｔｈ ｅａ ｉ ｎ ｃ ｒ ｅ ｏ ｒ ｉ ｉ ｇ ｇ ｒ ｅ ｒ ｌｔ ｕ ｖ ｆｔａｎ ｎ ｏ ｅ ｒ ｒ ａ ｄ ｓｅ ｆＷ ａ ｅｅ－ ｔ ｒ ｒ ｏ ｎ ｔｐ ｏ ｖ ｌ ｔ Ｎｅ ｗｏ ｋ
ｎ＝ｌ
１
二２ ｌ ，
Ｙ Ｎ
图 １ 改 进 的 小 汲 １ｌ 结 构 ）络 。 Ｉ
Ｆｉ １ ｇ Ｔｈｅ ｍ ｐｒ ｖｅ ｓ ｒ ｔ ｅ ｆ Ｗ ＮＮ ｉ ｏ ｄ ｔ ｕｃ ｕｒ ｏ
（ ３）
２ 性 能指标 ）
（ 一 ）
毕业设计-神经网络控制算法仿真设计
摘要目前，由于PID结构简单，可通过调节比例积分和微分取得基本满意的控制性能，广泛应用在电厂的各种控制过程中。
电厂主汽温被控对象是一个大惯性、大迟延、非线性且对象变化的系统，常规汽温控制系统为串级PID控制或导前微分控制,当机组稳定运行时,一般能将主汽温控制在允许的围。
但当运行工况发生较大变化时,却很难保证控制品质。
因此本文研究基于BP神经网络的PID控制，利用神经网络的自学习、非线性和不依赖模型等特性实现PID参数的在线自整定，充分利用PID和神经网络的优点。
本处用一个多层前向神经网络，采用反向传播算法，依据控制要时输出Kp、Ki、Kd，依次作为PID控制器的实时参数，代替传统PID参数靠经验的人工整定和工程整定，以达到对大迟延主气温系统的良好控制。
对这样一个系统在MATLAB平台上进行仿真研究，仿真结果表明基于BP神经网络的自整定PID控制具有良好的自适应能力和自学习能力，对大迟延和变对象的系统可取得良好的控制效果。
关键词：主汽温，PID，BP神经网络，MATLAB仿真ABSTRACTAt present, because PID has a simple structure and can be adjusted proportional 、integral and differential to satisfactory control performance, it is widely used in power plants of various control process. The system of power plant main steam temperature is an large inertia、big time-delayed and nonlinear dynamic system. Conventional steam temperature control system adopted cascade PID control or the differential control of lead before. When the unit is stable, these methods will control the steam temperature in a certain range ,but when operating conditions changed greatly, it is difficult to ensure the quality of control. This article studies PID control based BP neural network . Using such characteristics of neural network self-learning, nonlinear and don't rely on model realize PID parameters auto-tuning. It can make full use of the advantages of PID and neural network. Here, we use a multilayer feedforward neural network using back propagation algorithm. This net can real-time output Kp, Ki, Kd as the PID controller parameters , insteading of the traditional PID parameters determined by experience, so it can obtain good control performance .For such a system ,we can simulate in MATLAB simulation platform. The simulation results show that the PID control based BP neural network has good adaptive ability and self-learning ability. For the system of large delay and free-model can obtain good control effect.KEY WORDS: main steam temperature ，PID ，BP neural network， MATLAB simulation目录摘要 (I)ABSTRACT (II)第一章绪论 (1)1.1 选题背景和意义 (1)1.2 国外研究现状 (1)1.3 立论依据 (5)1.4 本文所做的主要工作 (6)第二章神经网络的基本原理 (8)2.1 人工神经元模型 (8)2.2 神经网络的学习方式和学习规则 (9)2.2.1 神经网络的学习方式 (9)2.2.2 神经网络的学习规则 (9)2.3 神经网络的特点及应用 (10)2.4 BP神经网络 (11)2.4.1 BP神经网络的结构 (11)2.4.2 BP神经网络的算法 (12)2.5 本章小结 (16)第三章基于BP神经网络的PID控制 (17)3.1 PID控制器的离散差分方程 (17)3.2 基于BP神经网络的PID整定原理 (18)3.3 基于BP神经网络的PID控制算法流程 (22)3.4 本章小结 (22)第四章基于BP神经网络的PID控制在主汽温控制系统中的应用 (23)4.1 主汽温的控制任务 (23)4.2 主汽温被控对象的动态特性 (23)4.3 主汽温控制策略 (24)4.3.1 主汽温控制信号的选择 (24)4.3.2 主汽温控制的两种策略 (26)4.4仿真分析 (27)4.5 本章总结 (34)结论与展望 (35)参考文献 (37)致 (39)第一章绪论1.1 选题背景和意义在控制系统设计中,最主要而又最困难的问题是如何针对复杂、变化及具有不确定性的受控对象和环境作出有效的控制决策。
6.3 基于RBF神经网络的辨识 [系统辨识理论及Matlab仿真]
![6.3 基于RBF神经网络的辨识 [系统辨识理论及Matlab仿真]](https://img.taocdn.com/s3/m/41e3af4aa216147916112830.png)
RBF网络特点
(1) RBF网络的作用函数为高斯函数，是局部 的，BP网络的作用函数为S函数，是全局的；
(2) 如何确定RBF网络隐层节点的中心及基宽 度参数是一个困难的问题；
(3) 已证明RBF网络具有唯一最佳逼近的特性， 且无局部极小[1]。
RBF网络结构 RBF网络是一种三层前向网络，由于输入
到输出的映射是非线性的，而隐含层空间到 输出空间的映射是线性的，从而可以大大加 快学习速度并避免局部极小问题。
RBF网络结构图1所示。
图1 RBF网络结构
2、RBF网络的逼近
采用RBF网络逼近一对象的结构如图2所 示。
图2 RBF神经网络逼近
在RBF网络结构中，X x1,x2,....xnT 为网络的输入
m
wjhj
j 1
c1 j x1 b2j
其中取 x1 u(k) 。
3、RBF网络逼近仿真实例
使用RBF网络逼近下列对象：
y(k)
u(k
)3
1
y(k 1) y(k 1)2
• RBF网络逼近程序见chap6_4.m
参考文献
[1] J.Park, I.W.Sandberg, Universal approximation
6.3 基于RBF神经网络的辨识
1、RBF神经网络 径向基函数(RBF-Radial Basis Function)神经 网络是由J.Moody和C.Darken在80年代末提出的 一种神经网络,它是具有单隐层的三层前馈网络 。由于它模拟了人脑中局部调整、相互覆盖接收 域（或称感受野-Receptive Field）的神经网络结 构，因此，RBF网络是一种局部逼近网络，已证 明它能任意精度逼近任意连续函数[1]。
神经网络PID 控制策略及其Matlab 仿真研究.
神经网络PID 控制策略及其Matlab 仿真研究赵娟平（沈阳化工学院，辽宁，沈阳 110142 ）摘要：本文讨论了神经网络PID 控制策略，利用神经网络的自学习能力进行PID控制参数的在线整定，并使用Matlab 软件进行了仿真研究。
仿真结果表明，神经网络PID 控制器参数调整简单，具有很高的精度和很强的适应性，可以获得满意的控制效果。
关键词：神经网络，BP 网络，PID ，参数整定，仿真中图分类号：TP183 文献标识码：ANeural Network PID control and its Matlab Simulation researchJuanPing Zhao（ShenYang institute of chemical industry, LiaoNing, ShenYang 110142 ）Abstract: This paper discusses the nerve network PID control strategy, makes use of the study ability of the nerve network to turning the PID control parameters, and proceeds the simulation research using matlab software. From the simulation results, it is can be shown that Neural Network PID controller have the higher accuracy and stronger adaptability, and can get satisfied control result.Key word: neural network, BP neural network, PID, parameter turning, simulation1．引言PID 控制由于其具有直观性好、实现简单、可靠性高以及强鲁棒性等优点，在工业控制中得到广泛的应用，尤其适用于建立了精确数学模型的确定性系统。
Matlab中的神经网络算法实现指南
Matlab中的神经网络算法实现指南1. 引言神经网络是一种基于生物神经系统的模型，旨在模拟人脑的学习和决策过程。
在现代机器学习领域，神经网络被广泛应用于图像识别、语言处理、预测分析等各种任务中。
而Matlab作为一种功能强大的数值计算和可视化软件，提供了丰富的神经网络工具箱，可以帮助开发人员快速实现和调试各种神经网络算法。
本文将介绍Matlab中的神经网络工具箱，并提供一些实现神经网络算法的指南。
2. Matlab中的神经网络工具箱Matlab提供了一个名为"Neural Network Toolbox"的工具箱，包含了大量的函数和工具，用于构建、训练和评估神经网络模型。
该工具箱支持多种类型的神经网络结构，包括前馈神经网络、递归神经网络、卷积神经网络等。
此外，Matlab还提供了各种用于优化神经网络的算法，如反向传播算法、遗传算法等。
3. 构建神经网络模型在Matlab中，我们可以使用"feedforwardnet"函数来构建一个前馈神经网络模型。
该函数接受一个包含神经网络层结构的向量作为输入参数，并返回一个神经网络对象。
我们可以通过修改这个向量的元素来调整神经网络的结构和参数。
例如，下面的代码展示了如何构建一个包含两个隐藏层的前馈神经网络模型：```matlabnet = feedforwardnet([10, 5]);```4. 导入和预处理数据导入和预处理数据对于构建和训练神经网络模型至关重要。
Matlab提供了各种用于数据导入和预处理的函数和工具。
例如，可以使用"csvread"函数来导入CSV 格式的数据文件；可以使用"mapminmax"函数来对数据进行归一化处理；可以使用"splittingData"函数将数据划分为训练集、验证集和测试集等。
5. 为神经网络模型训练数据在Matlab中，我们可以通过调用"train"函数来训练神经网络模型。
神经网络与深度学习基于MATLAB的仿真与实现
目录分析
目录分析
《神经网络与深度学习基于MATLAB的仿真与实现》是一本介绍神经网络和深 度学习理论的书籍，由电子工业社于2016年。该书以通俗易懂的方式，结合 MATLAB仿真与实现，详细阐述了神经网络与深度学习的基本概念、原理和实践。 下面，我们对其目录进行简要分析。
目录分析
本书的目录结构清晰明了，逻辑性强。它以循序渐进的方式引导读者从基础 知识入手，逐步深入到高级主题。全书共分为11章，各章的主题相对独立，又相 互，形成了一个完整的神经网络和深度学习知识体系。
精彩摘录
“循环神经网络（RNN）是一种能够处理序列数据的神经网络。它们通过使用 循环结构来捕捉序列数据的时间依赖关系。”这句话解释了循环神经网络的特点 和应用领域，对于处理序列数据具有重要的指导意义。
精彩摘录
“长短期记忆（LSTM）是一种特殊的RNN，它通过引入记忆单元来解决普通 RNN存在的长期依赖问题。”这句话介绍了LSTM的特点和应用领域，对于处理序 列数据中的长期依赖关系具有重要的指导意义。
精彩摘录
“Dropout是一种正则化技术，它通过在训练过程中随机地丢弃一部分神经元 来防止过拟合。”这句话说明了Dropout的作用和效果，有助于读者理解如何防 止过拟合这一重要问题。
精彩摘录
“卷积神经网络（CNN）是一种专门用于处理图像数据的神经网络。它们通过 使用卷积层来捕捉图像中的空间结构信息。”这句话揭示了卷积神经网络的特点 和应用领域，对于处理图像数据具有重要的指导意义。
精彩摘录
“反向传播算法是训练神经网络的核心步骤。这个算法通过计算损失函数关 于权重的梯度，并使用梯度下降法来更新权重，从而减小预测误差。”这句话解 释了反向传播算法的工作原理和目的，对于理解神经网络的训练过程至关重要。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
东南大学自动化学院智能控制概论神经网络学习算法研究学院：姓名：学号：日期：目录1 任务要求叙述 ........................................................ 错误!未定义书签。
2 系统分析及设计原理 ............................................ 错误!未定义书签。
3 设计实现................................................................. 错误!未定义书签。
4仿真验证.. (6)5 讨论与分析............................................................. 错误!未定义书签。
一．任务要求叙述（1）任务(a) 运行算法，观察和分析现有学习算法的性能；clear all;close all;nu=20;pi=3.1415926;for i=1:nup(i)=2*pi*i/nu;t(i)=0.5*(1+cos(p(i)));endminmax=[min(p(:)) max(p(:))]net = newff([ 0 7],[6 1],{'logsig' 'purelin'},'traingd');% traingd traingdm trainlmnet.trainParam.epochs = 10000;net.trainParam.goal = 0.0001;net.trainParam.show=200;net.trainParam.lr=0.1;net.trainParam.mc=0.6; %0.9 default value; available for momentumnet = train(net,p,t);y1 = sim(net,p);figure(2);plot(p,t,'*-',p,y1,'r--')%************** test data ******************nu2=nu*3/2;for i=1:(nu2)p2(i)=2*pi*i/(nu2);t2(i)=0.5*(1+cos(p2(i)));endy2 = sim(net,p2);figure(3);plot(t2,'*-');hold on; plot(y2,'r');xlabel('times');ylabel('outputs');figure(4);plot(t2-y2);xlabel('times');ylabel('error');(b) 为了进一步提高学习逼近效果，可以采取那些措施，调节规律如何？根据所提的每种措施，修改算法程序，给出仿真效果验证、过程以及相应的曲线图，给出适当的评述；(c) 联系、结合前向神经网络的算法样本学习、测试等过程，谈谈本人对神经网络系统的一些认识和看法。
（2）要求提交完整的报告，包括：封面(题目、个人学号姓名等信息)、目录、任务要求叙述、系统分析及设计原理(包括神经网络学习过程的原理图及文字分析)、完整的设计实现过程(包括神经网络结构、参数等选择与实现、计算、原理过程等)、仿真验证(算法流程图、实现手段介绍、系统参数选择、曲线图、结合调参对响应曲线的影响给出必要的分析)、讨论与分析，总字数要求在2000以上。
二．系统分析及设计原理（1）神经网络的学习算法学习过程实质上是针对一组给定的输入),2,1(N p x p =使网络产生相应的期望输出的过程。
总的来说，神经网络的学习算法分为两大类： 有导师学习和无导师学习。
图 1：有导师指导神经网络学习方式 图 2无导师指导神经网络学习方式由上图可见，所谓有导师学习就是在训练过程中，始终存在一个期望的网络输出。
期望输出和实际输出之间的距离作为误差度量并用于调整权值。
而无导师学习指的是网络不存在一个期望的输出，因而没有直接的误差信息，因此，为实现对网络的训练，徐建立一个简洁的评价函数，以对网络的某种行为取向做出评价。
（2）多层传播网络的学习算法给定N 组样本);,;,;,(2211p p T X T X T X 。
这里i X 为i n 维输入矢量，i T 为o n 维期望的输出矢量，P i 2,1=,.假设矢量y 和o 分别表示网络的输出层和隐含层的输出矢量。
则训练过程为：(1) 选0>η，m ax E 作为最大容许误差，并将权系数,,2,1,,L l W ll=θ初始化成某一小的随机权矩阵。
0,1←←E p(2) 训练开始p p p T T X O ←←,)1(按照12,1,0),(1111)1(-=+Γ=∑=++++L r o w Orn i r j r pl r jl r r pjθ计算出各隐含层神经元的尽力输出，按照o n i L j L pi L ji L L pjL pj n L o wNet y L 2,1),()(111=+Γ=Γ=∑-=-θ计算出各输出层神经元的激励输出。
(3) 计算误差[]o k k n k E y t E 2,1,2/)(2=+-← (4) 按公式)()(Lpj L pj pj Lpjpjpj p LpjpLpj Net y t Net y y E Net E Γ'-=∂∂∂∂-=∂∂-=δ))()(())()((1111∑∑Γ'=Γ'∂∂∂∂-=∂∂∂∂-=∂∂-=++++krpj r r kj r pk kr pj r rpjr pkr pkp r pjr pj rpjp rpjp rpj Net w o Net oNet NetE Neto oE NetE δ计算出rpjL pj δδ, (5) 调整权阵系数1,-=∆r pj r pj r ji o w ηδ rpj r j ηδθ=∆(6) 若P p <,1+←p p ，跳转到（2），否则跳转到（7） (7) 若max E E <,结束，否则0,1←←E p ，跳转到（2）。
三．设计实现（1）神经网络的结构（BP 算法的神经网络结构）下图是一个多层传播结构。
即在输入层和输出层之间嵌入一层或多层隐含层的网络结构。
隐含层单元既可以与叔叔出单元相连也可以与其他隐含层单元相连。
隐含层单元与输入单元之间通过突触权系数1ij w 连接，并可用矩阵1w 表示全部关系。
隐含层单元与输出单元之间通过突触权系数21ij w 连接，全部关系可用矩阵2w 表示。
图 3：神经网络结构图（2）Maltab神经网络工具箱1函数介绍①newc()创建级联前向网络②②newff()创建前向BP网络③③newffd()创建存在输入延迟的前向网络在此次实验中，采用第二个函数即创建的是前向BP网络。
前向网络中各神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示，这种神经网络称为前向网络。
前向网络中节点分为两类，输入节点和计算节点。
每个输入节点可以有任意个输入，但只有一个输出。
而输出可以耦合到任意多个其他节点的输入。
前向网络通常可以分为不同的层，第i层的输入仅与第i-1层的输出连接。
一般认为输入节点为第一层，具有一层计算节点的网络实际上是一个两层网络。
由于输入节点和输出节点可以和外界连接，直接接受环境的影响，所以称为可见层。
而其他中间层则称为隐层。
2Newff（）函数参数介绍newff函数的格式为：net=newff(PR,[S1 S2 ...SN],{TF1 TF2...TFN},BTF,BLF,PF），函数newff建立一个可训练的前馈网络。
输入参数说明：PR：Rx2的矩阵以定义R个输入向量的最小值和最大值；Si：第i层神经元个数；TFi：第i层的传递函数，默认函数为tansig函数；BTF：训练函数，默认函数为trainlm函数；BLF：权值/阀值学习函数，默认函数为learngdm函数；PF：性能函数，默认函数为mse函数。
3程序中参数含义(1)Newff（）函数中的参数a)传递函数有三种tansig(n)=2/(1+exp(-2*n))-1logsig(n)=1/(1+exp(-n))purelin(n)=nb)训练函数有12种trainbrBayes 规范化BP训练函数trainc 循环顺序渐增训练函数traincgb Powell-Beale连接梯度BP训练函数traincgf Fletcher-Powell连接梯度BP训练函数traincgp Polak-Ribiere连接梯度BP训练函数traingda 自适应lrBP的梯度递减训练函数traingdx 动量及自适应lrBP的梯度递减训练函数trainlm Levenberg-Marquardt BP训练函数trainoss 一步正切BP训练函数trainr 随机顺序递增更新训练函数trainrp 带反弹的BP训练函数trains 顺序递增BP训练函数trainscg 量化连接梯度BP训练函数(2)其他参数net.trainParam.epochs=10000; 允许最大训练步数10000net.trainParam.goal=0.001; 训练目标最小误差0.001net.trainParam.show=200; 每间隔200步显示一次训练结果net.trainParam.lr=0.1; 学习步长0.1net.trainParam.mc=0.6; 动量因子四．仿真验证（1）参数调节方法首先改变传递函数，保持其他参数不变的条件下，将传递函数换成其余两个传递函数，观察运行结果，比较选出最符合要求的传递函数；然后使用最符合要求的传递函数，改变训练函数，同样选出最符合要求的训练函数；最后使用最符合要求的传递函数和训练函数，改变精度、步长、动量因子，比较分析，总结变化规律。
（2）调节运行结果1初始运行结果图4：初始结果minmax =0.3142 6.2832TRAINGD, Maximum epoch reached, performance goal was not met.在初始算法中，采用的是net = newff([ 0 7],[6 1],{'logsig' 'purelin'},'traingd'); 由上图发现即使最大步长为10000 Epochs，最后也没有收敛到我们所需要的精度。
这是因为traingd为单纯的梯度下降训练函数。