T=[1 0 0 1 0 0 1 0 0

0 1 0 0 1 0 0 1 0

0 0 1 0 0 1 0 0 1]

输入向量的最大值和最小值

threshold=[0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1]

net=newff(threshold,[31 3],{ tansig , logsig }, trainlm )

训练次数为1000，训练目标为0.01，学习速率为0.1

net.trainParam.epochs=1000

net.trainParam.goal=0.01

LP.lr=0.1

net = train(net,P,T)

测试数据，和训练数据不一致

P_test=[0.2101 0.0950 0.1298 0.1359 0.2601 0.1001 0.0753 0.0890 0.0389 0.1451 0.0128 0.1590 0.2452 0.0512 0.1319

0.2593 0.1800 0.0711 0.2801 0.1501 0.1298 0.1001 0.1891 0.2531 0.0875 0.0058 0.1803 0.0992 0.0802 0.1002 -T = [1 0 0　1 0 0　1 0 0　0 1 0　0 1 0　0 1 0　0 0 1　0 0 1　0 0 1] '　　of the maximum and minimum input vector threshold = [0 1　0 1　0 1　0 1　0 1　0 1　0 1　0 1　0 1　0 1　0 1　0 1　0 1　0 1　0 1]　net = newff (threshold, [31 3], {' tansig' , ' logsig' }, ' trainlm' )　 training times for the 1000 target of 0.01 training, learning rate of 0.1 net.trainParam.epochs = 1000　net. trainParam.goal = 0.01　LP.lr = 0.1　net = train (net, P, T)　 test data, and training data inconsistencies P_test = [0.2101 0.0950 0.1298 0.1359 0.2601 0.1001 0.0753 0.0890 0.0389 0.1451 0.0128 0.1590 0.2452 0.0512 0.1319　0.2593 0.1800 0.0711 0.2801 0.1501 0.1298 0.1001 0.1891 0.2531 0.0875 0.0058 0.1803 0.0992 0.0802 0.1002