1. 数据预处理        在训练神经网络前一般需要对数据进行预处理，一种重要的预处理手段是归一化处理。下面简要介绍归一化处理的原理与方法。(1) 什么是归一化？ 数据归一化，就是将数据映射到0,1或-1,1区间或更小的区间，比如(0.1,0.9) 。(2) 为什么要归一化处理？ <1>输入数据的单位不一样，有些数据的范围可能特别大，导致的结果是神经网络收敛慢、训练时间长。<2>数据范围大的输入在模式分类中的作用可能会偏大，而数据范围小的输入作用就可能会偏小。<3>由于神经网络输出层的激活函数的值域是有限制的，因此需要将网络训练的目标数据映射到激活函数的值域。例如神经网络的输出层若采用S形激活函数，由于S形函数的值域限制在(0,1)，也就是说神经网络的输出只能限制在(0,1)，所以训练数据的输出就要归一化到0,1区间。<4>S形激活函数在(0,1)区间以外区域很平缓，区分度太小。例如S形函数f(X)在参数a=1时，f(100)与f(5)只相差0.0067。(3) 归一化算法 一种简单而快速的归一化算法是线性转换算法。线性转换算法常见有两种形式：       <1>y = ( x - min )/( max - min )其中min为x的最小值，max为x的最大值，输入向量为x，归一化后的输出向量为y 。上式将数据归一化到 0 , 1 区间，当激活函数采用S形函数时（值域为(0,1)）时这条式子适用。       <2>y = 2 * ( x - min ) / ( max - min ) - 1       这条公式将数据归一化到 -1 , 1 区间。当激活函数采用双极S形函数（值域为(-1,1)）时这条式子适用。(4) Matlab数据归一化处理函数 Matlab中归一化处理数据可以采用premnmx ， postmnmx ， tramnmx 这3个函数。<1> premnmx语法：pn,minp,maxp,tn,mint,maxt = premnmx(p,t)参数：pn： p矩阵按行归一化后的矩阵minp，maxp：p矩阵每一行的最小值，最大值tn：t矩阵按行归一化后的矩阵mint，maxt：t矩阵每一行的最小值，最大值作用：将矩阵p，t归一化到-1,1 ，主要用于归一化处理训练数据集。<2> tramnmx语法：pn = tramnmx(p,minp,maxp)参数：minp，maxp：premnmx函数计算的矩阵的最小，最大值pn：归一化后的矩阵作用：主要用于归一化处理待分类的输入数据。<3> postmnmx语法： p,t = postmnmx(pn,minp,maxp,tn,mint,maxt)参数：minp，maxp：premnmx函数计算的p矩阵每行的最小值，最大值mint，maxt：premnmx函数计算的t矩阵每行的最小值，最大值作用：将矩阵pn，tn映射回归一化处理前的范围。postmnmx函数主要用于将神经网络的输出结果映射回归一化前的数据范围。2. 使用Matlab实现神经网络 使用Matlab建立前馈神经网络主要会使用到下面3个函数：newff ：前馈网络创建函数train：训练一个神经网络sim ：使用网络进行仿真 下面简要介绍这3个函数的用法。(1) newff函数 <1>newff函数语法        newff函数参数列表有很多的可选参数，具体可以参考Matlab的帮助文档，这里介绍newff函数的一种简单的形式。语法：net = newff ( A, B, C ,trainFun)参数：A：一个n×2的矩阵，第i行元素为输入信号xi的最小值和最大值；B：一个k维行向量，其元素为网络中各层节点数；C：一个k维字符串行向量，每一分量为对应层神经元的激活函数；trainFun ：为学习规则采用的训练算法。表3.1 BP网络的常用函数表函数类型函数名称函数用途前向网络创建函数newcf创建级联前向网络Newff创建前向BP网络传递函数logsigS型的对数函数tansigS型的正切函数purelin纯线性函数 学习函数learngd基于梯度下降法的学习函数learngdm梯度下降动量学习函数性能函数 mse均方误差函数msereg均方误差规范化函数 显示函数plotperf绘制网络的性能plotes绘制一个单独神经元的误差曲面plotep绘制权值和阈值在误差曲面上的位置errsurf计算单个神经元的误差曲面3.1.1 BP网络创建函数1) newff该函数用于创建一个BP网络。调用格式为：net=newffnet=newff(PR,S1 S2.SN1,TF1 TF2.TFN1,BTF,BLF,PF)其中，net=newff;用于在对话框中创建一个BP网络。net为创建的新BP神经网络；PR为网络输入向量取值范围的矩阵；S1 S2SNl表示网络隐含层和输出层神经元的个数；TFl TF2TFN1表示网络隐含层和输出层的传输函数，默认为tansig；BTF表示网络的训练函数，默认为trainlm；BLF表示网络的权值学习函数，默认为learngdm；PF表示性能数，默认为mse。<2>常用的激活函数常用的激活函数有：a) 线性函数 (Linear transfer function)f(x) = x该函数的字符串为purelin。 b) 对数S形转移函数( Logarithmic sigmoid transfer function )    该函数的字符串为logsig。c) 双曲正切S形函数 (Hyperbolic tangent sigmoid transfer function )也就是上面所提到的双极S形函数。 该函数的字符串为 tansig。Matlab的安装目录下的toolboxnnetnnetnntransfer子目录中有所有激活函数的定义说明。<3>常见的训练函数    常见的训练函数有：traingd ：梯度下降BP训练函数(Gradient descent backpropagation)traingdx ：梯度下降自适应学习率训练函数<4>网络配置参数一些重要的网络配置参数如下：net.trainparam.goal  ：神经网络训练的目标误差net.trainparam.show   ： 显示中间结果的周期net.trainparam.epochs ：最大迭代次数net.trainParam.lr    ： 学习率(2) train函数    网络训练学习函数。语法： net, tr, Y1, E   = train( net, X, Y )参数：X：网络实际输入Y：网络应有输出tr：训练跟踪信息Y1：网络实际输出E：误差矩阵(3) sim函数语法：Y=sim(net,X)参数：net：网络X：输入给网络的×N矩阵，其中K为网络输入个数，N为数据样本数Y：输出矩阵Q×N，其中Q为网络输出个数