1. matlab的神經網路工具箱問題
線性神經網路的構建：
net=newlin(PR,S,ID,LR)
PR--Rx2階矩陣，R個輸入元素的最小最大矩陣
S---輸出層神經元個數
ID--輸入延遲向量，默認值為[0]
IR--學習率，默認值為0.01
net = newlin([-1 1;-1 1],1); 表示設計的是一個雙輸入單輸出線性神經網路
P = [1 2 2 3; 2 1 3 1];表示輸入樣本有四個，每一列就是一個輸入樣本
又比如假設我們期望的輸出為 T=[1 2 3 4],則一個簡單的神經網路如下：
>>net = newlin([-1 1;-1 1],1);%創建初始網路
P=[1 2 2 3; 2 1 3 1]%輸入
T=[1 2 3 4]%期望的輸出
net=newlind(P,T);%用輸入和期望訓練網路
Y=sim(net,P)%模擬，可以看到模擬結果Y和期望輸出T的接近程度
P =
1 2 2 3
2 1 3 1
T =
1 2 3 4
Y =
0.8889 2.1667 3.0556 3.8889
樓主可以從《matlab神經網路與應用（第二版）》董長虹 開始入門神經網路的matlab實現
參考資料：《matlab神經網路與應用（第二版）》
2. matlab神經網路工具箱問題
線性神經網路的構建：
net=newlin(PR,S,ID,LR)
PR--Rx2階矩陣，R個輸入元素的最小最大矩陣
S---輸出層神經元個數
ID--輸入延遲向量，默認值為[0]
IR--學習率，默認值為0.01
net = newlin([-1 1;-1 1],1); 表示設計的是一個雙輸入單輸出線性神經網路
P = [1 2 2 3; 2 1 3 1];表示輸入樣本有四個，每一列就是一個輸入樣本
又比如假設我們期望的輸出為 T=[1 2 3 4],則一個簡單的神經網路如下：
>>net = newlin([-1 1;-1 1],1);%創建初始網路
P=[1 2 2 3; 2 1 3 1]%輸入
T=[1 2 3 4]%期望的輸出
net=newlind(P,T);%用輸入和期望訓練網路
Y=sim(net,P)%模擬，可以看到模擬結果Y和期望輸出T的接近程度
P =
1 2 2 3
2 1 3 1
T =
1 2 3 4
Y =
0.8889 2.1667 3.0556 3.8889
樓主可以從《matlab神經網路與應用（第二版）》董長虹 開始入門神經網路的matlab實現
參考資料：《matlab神經網路與應用（第二版）》
3. 如何使用matlab神經網路工具箱
為了看懂師兄的文章中使用的方法，研究了一下神經網路
昨天花了一天的時間查怎麼寫程序，但是費了半天勁，不能運行，網路知道里倒是有一個，可以運行的，先貼著做標本
% 生成訓練樣本集
clear all;
clc;
P=[110 0.807 240 0.2 15 1 18 2 1.5;
110 2.865 240 0.1 15 2 12 1 2;
110 2.59 240 0.1 12 4 24 1 1.5;
220 0.6 240 0.3 12 3 18 2 1;
220 3 240 0.3 25 3 21 1 1.5;
110 1.562 240 0.3 15 3 18 1 1.5;
110 0.547 240 0.3 15 1 9 2 1.5];
0 1.318 300 0.1 15 2 18 1 2];
T=[54248 162787 168380 314797;
28614 63958 69637 82898;
86002 402710 644415 328084;
230802 445102 362823 335913;
60257 127892 76753 73541;
34615 93532 80762 110049;
56783 172907 164548 144040];
@907 117437 120368 130179];
m=max(max(P));
n=max(max(T));
P=P'/m;
T=T'/n;
%-------------------------------------------------------------------------%
pr(1:9,1)=0; %輸入矢量的取值范圍矩陣
pr(1:9,2)=1;
bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm');
%建立BP神經網路， 12個隱層神經元，4個輸出神經元
%tranferFcn屬性 'logsig' 隱層採用Sigmoid傳輸函數
%tranferFcn屬性 'logsig' 輸出層採用Sigmoid傳輸函數
%trainFcn屬性 'traingdx' 自適應調整學習速率附加動量因子梯度下降反向傳播演算法訓練函數
%learn屬性 'learngdm' 附加動量因子的梯度下降學習函數
net.trainParam.epochs=1000;%允許最大訓練步數2000步
net.trainParam.goal=0.001; %訓練目標最小誤差0.001
net.trainParam.show=10; %每間隔100步顯示一次訓練結果
net.trainParam.lr=0.05; %學習速率0.05
bpnet=train(bpnet,P,T);
%-------------------------------------------------------------------------
p=[110 1.318 300 0.1 15 2 18 1 2];
p=p'/m;
r=sim(bpnet,p);
R=r'*n;
display(R);
運行的結果是出現這樣的界面
點擊performance，training state，以及regression分別出現下面的界面
再搜索，發現可以通過神經網路工具箱來創建神經網路，比較友好的GUI界面，在輸入命令裡面輸入nntool，就可以開始了。
點擊import之後就出現下面的具體的設置神經網路參數的對話界面，
這是輸入輸出數據的對話窗
首先是訓練數據的輸入
然後點擊new，創建一個新的神經網路network1，並設置其輸入輸出數據，包括名稱，神經網路的類型以及隱含層的層數和節點數，還有隱含層及輸出層的訓練函數等
點擊view，可以看到這是神經網路的可視化直觀表達
創建好了一個network之後，點擊open，可以看到一個神經網路訓練，優化等的對話框，選擇了輸入輸出數據後，點擊train，神經網路開始訓練，如右下方的圖，可以顯示動態結果
4. matlab神經網路工具箱分別怎麼用
1單擊Apps，在搜索框中輸入neu，下方出現了所有神經網路工具箱。neural net fitting 是我們要使用的神經網路擬合工具箱。 2 在下界面中點擊next 3 單擊load example data set，得到我們需要的測試數據。
5. 關於matlab神經網路工具箱的問題
在工具箱中點擊「new network」,按需求建立神經網路後，在network中點擊已有的神經網路，在點擊「networks only」中的training.在新出現的對話框中simulink可看到隱層，weight中可設置權值。
6. 如何使用matlab中的工具箱
上面的最優答案廢話有點多，我補充一個簡潔版答案：
一、自帶工具箱：
直接使用。都在toolbox文件夾內，而且默認早已設定完畢。
二、非自帶工具箱：
按照這個步驟：
1）下載並解壓；
2）復制到matlab安裝目錄下的toolbox文件夾內（當然也可以放到別處~）；
3）在matlab的菜單：file-set path中，添加路徑，要求是連同子文件夾一同添加，路徑就是剛才你放置文件夾的地方。設定好了記得save。
4）完畢！
7. Matlab神經網路工具箱輸入問題
線性神經網路的構建： net=newlin(PR,S,ID,LR) PR--Rx2階矩陣，R個輸入元素的最小最大矩陣 S---輸出層神經元個數專 ID--輸入延遲向量，默屬認值為[0] IR--學習率，默認值為0.01 net = newlin([-1 1;-1 1],1); 表示設計的是一個雙輸入單輸出線性神經網路 P = [1 2 2 3; 2 1 3 1];表示輸入樣本有四個，每一列就是一個輸入樣本 又比如假設我們期望的輸出為 T=[1 2 3 4],則一個簡單的神經網路如下： >>net = newlin([-1 1;-1 1],1);%創建初始網路 P=[1 2 2 3; 2 1 3 1]%輸入 T=[1 2 3 4]%期望的輸出 net=newlind(P,T);%用輸入和期望訓練網路 Y=sim(net,P)%模擬，可以看到模擬結果Y和期望輸出T的接近程度 P = 1 2 2 3 2 1 3 1 T = 1 2 3 4 Y...
8. 一個關於BP神經網路的問題，matlab中神經網路工具箱的初始權值和閥值是
訓練BP神經網路所採取的隨機初始參數確實是隨機的，在訓練過程中這些參數和權值都會朝著同一個大方向進行修正。例如你用BP神經網路來擬合曲線，找到輸入值與輸出值之間的線性規律，那麼在訓練的過程中這個擬合的曲線會不斷的調整其參數和權值直到滿足幾個預設條件之一時訓練停止。雖然這個訓練出來的結果有時候會有一定誤差，但都在可以接受的范圍內。
縮小誤差的一個方法是需要預先設置初始參數，雖然每次依然會得到不一樣的模型（只要參數是隨機修正的），但不同模型之間的差距會很小。另外可以反復訓練，找到一個自己覺得滿意的模型（可以是測試通過率最高，可以是平均結果誤差值最小）。
至於你說別人怎麼檢查你的論文結果，基本上都是通過你的演算法來重建模型，而且還不一定都用matlab來做，即便是用同樣的代碼都會出現不同的結果，何況是不同的語言呢？其實驗算結果最重要的是看測試時的通過率，例如在對一組新的數據進行測試（或預測）時，通過率達到95%，別人用其他的方式重建了你的模型也得到這樣的通過率，那麼你的演算法就是可行的。注意，在計算機專業的論文裡面大家看重的不是代碼，而是演算法。
補充一點：只要你訓練好了一個神經網路可以把這個神經網路以struct形式保存，這樣這個網路可以被反復使用，且每次對同一組測試數據的預測結果都會一樣。你也可以當做是檢測論文可行性的工具。
9. MATLAB神經網路工具箱
對 應該轉置一下，NN工具箱里默認每個數據都是列向量