文章转自 https://wenku.baidu.com/view/6b85a07f0066f5335a8121a8.html 侵删
BP网络常用传递函数:
BP网络的传递函数有多种。Log-sigmoid型函数的输入值可取任意值，输出值在0和1之间；tan-sigmod型传递函数tansig的输入值可取任意值，输出值在-1到+1之间；线性传递函数purelin的输入与输出值可取任意值。BP网络通常有一个或多个隐层，该层中的神经元均采用sigmoid型传递函数，输出层的神经元则采用线性传递函数，整个网络的输出可以取任意值。各种传递函数如图5.6所示。
只改变传递函数而其余参数均固定，用本章5.2节所述的样本集训练BP网络时发现，传递函数使用tansig函数时要比logsig函数的误差小。于是在以后的训练中隐层传递函数改用tansig函数，输出层传递函数仍选用purelin函数。
3） 每层节点数的确定：
使用神经网络的目的是实现摄像机输出RGB颜色空间与CIE-XYZ色空间转换，因此BP网络的输入层和输出层的节点个数分别为3。下面主要介绍隐层节点数量的确定。
对于多层前馈网络来说，隐层节点数的确定是成败的关键。若数量太少，则网络所能获取的用以解决问题的信息太少；若数量太多，不仅增加训练时间，更重要的是隐层节点过多还可能出现所谓“过渡吻合”（Overfitting）问题，即测试误差增大导致泛化能力下降，因此合理选择隐层节点数非常重要。关于隐层数及其节点数的选择比较复杂，一般原则是：在能正确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单。本论文中采用网络结构增长型方法，即先设置较少的节点数，对网络进行训练，并测试学习误差，然后逐渐增加节点数，直到学习误差不再有明显减少为止。
newff()
功能 建立一个前向BP网络
格式 net = newff(PR，[S1 S2...SN1]，{TF1 TF2...TFN1}，BTF，BLF，PF)
说明
net为创建的新BP神经网络；
PR为网络输入取向量取值范围的矩阵；
[S1S2…SNl]表示网络隐含层和输出层神经元的个数；
{TFl TF2…TFN1}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’。
参数TFi可以采用任意的可微传递函数，比如transig，logsig和purelin等；
训练函数可以是任意的BP训练函数，如trainm，trainbfg，trainrp和traingd等。
BTF默认采用trainlm是因为函数的速度很快，但该函数的一个重要缺陷是运行过程会
消耗大量的内存资源。如果计算机内存不够大，不建议用trainlm，而建议采用训练函数trainbfg或trainrp。
虽然这两个函数的运行速度比较慢，但它们的共同特点是内存占用量小，不至于出现训练过程死机的情况。
参数TFi可以采用任意的可微传递函数，比如transig，logsig和purelin等；
训练函数可以是任意的BP训练函数，如trainm，trainbfg，trainrp和traingd等。BTF默认采用trainlm是因为函数的速度很快，但该函数的一个重要缺陷是运行过程会消耗大量的内存资源。如果计算机内存不够大，不建议用trainlm，而建议采用训练函数trainbfg或trainrp。虽然这两个函数的运行速度比较慢，但它们的共同特点是内存占用量小，不至于出现训练过程死机的情况。
训练函数：
包括梯度下降bp算法训练函数traingd，动量反传递的梯度下降bp算法训练函数traingdm，动态自适应学习率的梯度下降bp算法训练函数traingda，动量反传和动态自适应学习率的梯度下降bp算法训练函数traingdx，levenberg_marquardt的bp算法训练函数trainlm。
BP网络一般都是用三层的，四层及以上的都比较少用；
传输函数的选择，这个怎么说，假设你想预测的结果是几个固定值，如1,0等，满足某个条件输出1，不满足则0的话，首先想到的是hardlim函数，阈值型的，当然也可以考虑其他的；
然后，假如网络是用来表达某种线性关系时，用purelin---线性传输函数；
若是非线性关系的话，用别的非线性传递函数，多层网络时，每层不一定要用相同的传递函数，可以是三种配合，可以使非线性和线性，阈值的传递函数等；
compet---竞争型传递函数；
hardlim---阈值型传递函数；
hardlims---对称阈值型传输函数；
logsig---S型传输函数；
poslin---正线性传输函数；
purelin---线性传输函数；
radbas---径向基传输函数；
satlin---饱和线性传输函数；
satlins---饱和对称线性传输函数；
softmax---柔性最大值传输函数；
tansig---双曲正切S型传输函数；
tribas---三角形径向基传输函数；
二、神经元上的传递函数
传递函数是BP网络的重要组成部分，必须是连续可微的，BP网络常采用S型的对数或正切函数和线性函数。
Logsig 传递函数为S型的对数函数。
调用格式为：
A=logsig（N）
N：Q个S维的输入列向量；
A：函数返回值，位于区间(0,1) 中
info=logsig（code）
依据code值的不同返回不同的信息，包括：
deriv——返回微分函数的名称；
name——返回函数全程；
output——返回输出值域；
active——返回有效的输入区间
例如：n=-10：0.1: 10;
a=logsig(n);plot(n,a)
matlab按照来计算对数传递函数的值：n=2/(1+exp(-2n))
函数logsig可将神经元的输入（范围为整个实数集）映射到区间（0，1）中。
三、BP网络学习函数
learngd
该函数为梯度下降权值/阈值学习函数，通过神经元的输入和误差，以及权值和阈值的学习速率，来计算权值或阈值的变化率。
调用格式;
[dW,ls]=learngd(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)
以一个单隐层的BP网络设计为例，介绍利用神经网络工具箱进行BP网络设计及分析的过程
1. 问题描述
通过对函数进行采样得到了网络的输入变量P和目标变量T：
P=-1：0.1:1;
T=[-0.9602 -0.577. -0.0729 0.3771 0.64050.6600 0.4609 0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 0.0988 0.30720.3960 0.3449 0.1816 -0.0312 -0.2189 -0.3201]
2. 网络的设计
网络的输入层和输出层的神经元个数均为1，网络的隐含神经元个数应该在3~8之间。
网络设计及运行的代码：
s=3:8;
res=1:6;
for i=1:6; net=newff(minmax(P),[s(i),1],['tansig',logsig],'traingdx');
net.trainParam.epachs=2000;
net.trainParam.goal=0.001;
net=train(net,P,T)
y=sim('net,P')
error=y-T;
res(i)=norm(error);
end
代码运行结果：
网络训练误差
%获取训练数据与预测数据
input_train=data(n(1:9900),1:3)';
output_train=data1(n(1:9900),1)';
input_test=data(n(9901:10000),1:3)';
output_test=data1(n(9901:10000),1)';
%数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%% bp 训练
%初始化网络结构
net=newff(inputn,outputn,100);
net.trainParam.show=30;
net.trainParam.epochs=300;
net.trainParam.lr=0.01;
net.trainParam.goal=1e-6;
%网络训练
net=train(net,inputn,outputn);
%% bp 预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
%网络预测输出
an=sim(net,inputn_test);
%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);
%% 结果分析
figure
plot(BPoutput,':og');
hold on
plot(output_test,'-*');
legend('预测输出','期望输出','fontsize',12)
title('BP 网络预测输出','fontsize',12)
xlabel('样本','fontsize',12)
ylabel('输出','fontsize',12)
%预测误差
error=BPoutput-output_test;
figure
plot(error,'-*')
title('神经网络预测误差')
errorsum=sum(abs(error))
save data2 netinputps outputps