MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的網(wǎng)絡(luò)對(duì)象及屬性

1、1目錄TOC o 1-5 h z HYPERLINK l bookmark2結(jié)構(gòu)屬性1 HYPERLINK l bookmark26函數(shù)屬性4 HYPERLINK l bookmark36參數(shù)屬性6 HYPERLINK l bookmark46權(quán)值和閾值屬性7 HYPERLINK l bookmark56子對(duì)象的屬性8 1在MATLAB中把定義的神經(jīng)網(wǎng)絡(luò)看作一個(gè)對(duì)象，對(duì)象還包括一些子對(duì)象：輸入向量、網(wǎng)絡(luò)層、輸出向量、目標(biāo)向量、權(quán)值向量和閾值向量等，這樣網(wǎng)絡(luò)對(duì)象和各子對(duì)象的屬性共同確定了神經(jīng)網(wǎng)絡(luò)對(duì)象的特性。網(wǎng)絡(luò)屬性除了只讀屬性外，均可以按照約定的格式和屬性的類(lèi)型進(jìn)行設(shè)置、修改、引用等。引用格式為

2、：網(wǎng)絡(luò)名.子對(duì)象.屬性例如：net.Inputs，net.biasConnect(1)，net.inputConnect(1,2)，net.inputs1.range。在MATLAB命令窗口中逐條執(zhí)行以下語(yǔ)句(newp、newff為網(wǎng)絡(luò)創(chuàng)建函數(shù))，即可創(chuàng)建網(wǎng)絡(luò)netl和net2。p=1,2;-1,1;0,1;netl=newp(p,2);net2=newff(-ll;-ll,l5,2,tansig,purelin,traingdx,learngdm);結(jié)構(gòu)屬性結(jié)構(gòu)屬性決定了網(wǎng)絡(luò)子對(duì)象的數(shù)目(包括輸入向量、網(wǎng)絡(luò)層向量、輸出向量、目標(biāo)向量、閾值向量和權(quán)值向量的數(shù)目)以及它們之間的連接關(guān)系。無(wú)論何時(shí)

3、，結(jié)構(gòu)屬性值一旦發(fā)生變化，網(wǎng)絡(luò)就會(huì)自動(dòng)重新定義，與之相關(guān)的其他屬性值也會(huì)自動(dòng)更新。numInputs屬性net.numInputs屬性定義了網(wǎng)絡(luò)的輸入向量數(shù)，它可以被設(shè)置為零或正整數(shù)。其值一般在用戶(hù)定義網(wǎng)絡(luò)中才被設(shè)置，而由MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的網(wǎng)絡(luò)定義函數(shù)所創(chuàng)建的網(wǎng)絡(luò),則輸入向量就不止一個(gè)，而是多個(gè)。所以網(wǎng)絡(luò)的輸入向量數(shù)并不是網(wǎng)絡(luò)輸入元素的個(gè)數(shù)。net.numInputs屬性值一旦改變，與輸入向量相關(guān)的輸入層連接向量(net.inputConnect)和輸入層向量(net.inputs)會(huì)自動(dòng)隨之改變。numLayers屬性numLayers屬性定義了網(wǎng)絡(luò)的層數(shù)，它可以被設(shè)置為零或正整

4、數(shù)。net.numLayers屬性值一旦改變，下列與網(wǎng)絡(luò)相關(guān)的布爾代數(shù)矩陣就會(huì)隨之改變：net.biasConnectnet.inputConnectnet.layerConnectnet.targetConnect下列與網(wǎng)絡(luò)層相關(guān)的子對(duì)象細(xì)胞矩陣的大小也會(huì)隨之改變：net.biasesnet.inputWeightsnet.layerWeightsnet.outputsnet.targets下列網(wǎng)絡(luò)調(diào)整參數(shù)細(xì)胞矩陣的大小也會(huì)隨之改變：net.IWnet.LWnet.b細(xì)胞矩陣是將多個(gè)矩陣向量作為細(xì)胞矩陣的一個(gè)“細(xì)胞（Cell）”，細(xì)胞矩陣的各個(gè)元素值為對(duì)應(yīng)細(xì)胞的大小和數(shù)值類(lèi)型。（3）bias

5、Connect屬性net.biasConnect屬性定義各個(gè)網(wǎng)絡(luò)層是否具有閾值向量，其值為Nl*l布爾型向量（0或1）,Nl為網(wǎng)絡(luò)層數(shù)（net.Layers）?？梢酝ㄟ^(guò)訪問(wèn)net.biasConnecti的值，查看第i個(gè)網(wǎng)絡(luò)層是否具有閾值向量。net.biasConnect的屬性值一旦改變，則閾值結(jié)構(gòu)細(xì)胞矩陣（net.biases）和閾值向量細(xì)胞矩陣（net.b）將隨之改變。（4）inputConnect屬性net.inputConnect屬性定義各網(wǎng)絡(luò)層是否具有來(lái)自個(gè)輸入向量的連接權(quán)，其值為Nl*Ni布爾型向量（0或1）,Nl為網(wǎng)絡(luò)層數(shù)（net.numLayers）,Ni為網(wǎng)絡(luò)輸入向量數(shù)（n

6、et.numInputs）?？梢酝ㄟ^(guò)訪問(wèn)net.inputConnect（i,j）的值，來(lái)查看第i個(gè)網(wǎng)絡(luò)是否具有來(lái)自第j個(gè)輸入向量的連接權(quán)。net.inputConnect的屬性值一旦改變，輸入層權(quán)值細(xì)胞結(jié)構(gòu)矩陣（net.inputWeights）和權(quán)值向量細(xì)胞矩陣（net.IW）將隨之改變。（5）layerConnect屬性net.layerConnect屬性定義一個(gè)網(wǎng)絡(luò)層是否具有來(lái)自另外一個(gè)網(wǎng)絡(luò)層的連接權(quán)，其值為Nl*Nl的布爾型向量（0或1）,Nl為網(wǎng)絡(luò)層數(shù)（net.numLayers）?？梢酝ㄟ^(guò)訪問(wèn)net.layerConnect（i,j）的值，來(lái)查看第i個(gè)網(wǎng)絡(luò)層是否具有來(lái)自第j個(gè)網(wǎng)絡(luò)

7、層的連接權(quán)。net.layerConnect的屬性值一旦改變，網(wǎng)絡(luò)層權(quán)值結(jié)構(gòu)細(xì)胞矩陣（net.layerWeights）和網(wǎng)絡(luò)層權(quán)值向量細(xì)胞矩陣（net.IW）將隨之改變。（6）outputConnect屬性net.outputConnect屬性定義各網(wǎng)絡(luò)層是否作為輸出層，其值為1*Nl的布爾型向量（0或1），Nl為網(wǎng)絡(luò)層數(shù)（net.numLayers）?？梢酝ㄟ^(guò)訪問(wèn)net.outputConnect（i）的值來(lái)查看第i個(gè)網(wǎng)絡(luò)層是否作為輸出層。net.outputConnect屬性值一旦改變，網(wǎng)絡(luò)輸出層數(shù)目（net.numOutputs）和輸出層結(jié)構(gòu)細(xì)胞矩陣（net.outputs）將隨之改變

8、。（7）targetConnect屬性net.targetConnect定義各網(wǎng)絡(luò)層是否和目標(biāo)向量有關(guān)，其值為1*Nl的布爾型向量（0或1），Nl為網(wǎng)絡(luò)層數(shù)（net.numLayers）。可以通過(guò)訪問(wèn)net.targetConnect（i）的值來(lái)查看第i個(gè)網(wǎng)絡(luò)層是否和目標(biāo)向量有關(guān)。net.targetConnect屬性值一旦改變，網(wǎng)絡(luò)層目標(biāo)向量的數(shù)目（net.numOutputs）和目標(biāo)向量結(jié)構(gòu)細(xì)胞矩陣（net.targets）將隨之改變。（8）numOutputs屬性（只讀）net.numOtputs屬性值為輸出向量的數(shù)目，它等于outputConnect矩陣中元素值為1（True）的個(gè)數(shù)之

9、和，即：numOutputs=sum（net.outputConnect）。（9）numTargets屬性（只讀）net.numTargets屬性值為輸出向量的數(shù)目，它等于targetConnect矩陣中元素值為1（True）的個(gè)數(shù)之和，即：numTargets二sum（net.targetConnect）。（10）numInputDelays屬性（只讀）net.numInputDelays屬性定義進(jìn)行網(wǎng)絡(luò)仿真時(shí)輸入向量的延遲量。其值總是設(shè)置為與網(wǎng)絡(luò)輸入相連的權(quán)值延遲量的最大值，即numInputDelays=0;fori=1:net.numLayersforj=1:net.numInputs

10、ifnet.inputConnect(i,j)numInputDelays=max(numInputDelaysnet.inputWeightsi,j.delays);endendnumLayerDelays屬性(只讀)net.numLayerDelays屬性定義進(jìn)行網(wǎng)絡(luò)仿真時(shí)網(wǎng)絡(luò)層輸出到哪員的延遲量。其值總是設(shè)置為與網(wǎng)絡(luò)相連的權(quán)值延遲量的最大值，即numLayerDelays=0;fori=1:net.numLayersforj=1:net.numLayersifnet.layerConnect(i,j)numLayerDelays=max(numLayerDelaysnet.layerWe

11、ightsi,j.delays);endend 1函數(shù)屬性函數(shù)屬性定義了一個(gè)網(wǎng)絡(luò)在進(jìn)行權(quán)值/閾值調(diào)整、初始化、誤差性能計(jì)算或訓(xùn)練時(shí)采用的算法。adaptFcn屬性net.adaptFcn屬性定義了網(wǎng)絡(luò)進(jìn)行權(quán)值/閾值調(diào)整時(shí)所采用的函數(shù)，它可以被設(shè)置為任意一個(gè)進(jìn)行權(quán)值/閾值調(diào)整的函數(shù)名，包括trains函數(shù)。adapt函數(shù)一旦被調(diào)用，就可以實(shí)現(xiàn)網(wǎng)絡(luò)權(quán)值/閾值的調(diào)整：net,Y,E,Pf,Af=adapt(NET,P,T,Pi,Ai)另外，用戶(hù)可以自定義權(quán)值/閾值調(diào)整函數(shù)。adaptFcn屬性值一旦發(fā)生變化，網(wǎng)絡(luò)的調(diào)整參數(shù)(net.adaptFcn)將被設(shè)置為新的調(diào)整函數(shù)所包含的參數(shù)及其默認(rèn)參數(shù)值。

12、initFcn屬性net.adaptFcn屬性定義了網(wǎng)絡(luò)初始化權(quán)值/閾值向量所采用的函數(shù)，它可以被設(shè)置為任意一個(gè)進(jìn)行網(wǎng)絡(luò)權(quán)值/閾值初始化的函數(shù)名，包括initlay(網(wǎng)絡(luò)層初始化函數(shù))工具箱函數(shù)。init函數(shù)一旦被調(diào)用，就可以實(shí)現(xiàn)網(wǎng)絡(luò)權(quán)值/閾值的初始化：net=init(net)init屬性值一旦發(fā)生變化，網(wǎng)絡(luò)的初始化參數(shù)(net.initParam)將被設(shè)置為新的初始化函數(shù)所包含的參數(shù)及其默認(rèn)參數(shù)值。performFcn屬性net.performFcn屬性定義了網(wǎng)絡(luò)用于衡量網(wǎng)絡(luò)性能所采用的函數(shù)，它可以被設(shè)置為任意一個(gè)網(wǎng)絡(luò)性能函數(shù)名。例如：mae絕對(duì)平均誤差性能函數(shù)(meanabsolutee

13、rror)；mse均方誤差性能函數(shù)(meansquarederror)；msereg歸一化均方誤差性能函數(shù)(meansquarederrorwithregularization)；sse平方和誤差性能函數(shù)(sumsquarederror)。performFcn屬性值一旦發(fā)生變化，網(wǎng)絡(luò)性能參數(shù)(net.performParam)將被設(shè)置為新的性能函數(shù)所包含的參數(shù)及其默認(rèn)值。trainFcn屬性net.trainFcn屬性定義了網(wǎng)絡(luò)用于訓(xùn)練網(wǎng)絡(luò)性能所采用的函數(shù)，它可以被設(shè)置為任意一個(gè)訓(xùn)練函數(shù)名。trainbfgBFGS算法(擬牛頓反向傳播算法)訓(xùn)練函數(shù)；trainbr貝葉斯歸一化法訓(xùn)練函數(shù)；tra

14、incgbPowell-Beale共軛梯度反向傳播算法訓(xùn)練函數(shù)；traincgpPolak-Ribiere變梯度反向傳播算法訓(xùn)練函數(shù)；traingd梯度下降反向傳播算法訓(xùn)練函數(shù)；traingda自適應(yīng)調(diào)整學(xué)習(xí)率的梯度下降反向傳播算法訓(xùn)練函數(shù)；traingdm附加動(dòng)量因子的梯度下降反向傳播算法訓(xùn)練函數(shù)；traingdx自適應(yīng)調(diào)整學(xué)習(xí)率并附加動(dòng)量因子的梯度下降反向傳播算法訓(xùn)練函數(shù)；trainlmLevenberg-Marquardt反向傳播算法訓(xùn)練函數(shù)；trainossOSS(onestepsecant)反向傳播算法訓(xùn)練函數(shù)；trainrpRPROP(彈性BP算法)反向傳播算法訓(xùn)練函數(shù)；train

15、scgSCG(scaledconjugategradient)反向傳播算法訓(xùn)練函數(shù)；trainb以權(quán)值/閾值的學(xué)習(xí)規(guī)則采用批處理的方式進(jìn)行訓(xùn)練的函數(shù)；trainc以學(xué)習(xí)函數(shù)依次對(duì)輸入樣本進(jìn)行訓(xùn)練的函數(shù)；trainr以學(xué)習(xí)函數(shù)隨機(jī)對(duì)輸入樣本進(jìn)行訓(xùn)練的函數(shù)。當(dāng)調(diào)用train函數(shù)時(shí)，上述訓(xùn)練函數(shù)被用于訓(xùn)練網(wǎng)絡(luò)：net,tr=train(NET,P,T,Pi,Ai)trainFcn的屬性值一旦發(fā)生變化，網(wǎng)絡(luò)訓(xùn)練參數(shù)(net.trainParam)將被設(shè)置為新的訓(xùn)練函數(shù)所包含的參數(shù)及其默認(rèn)參數(shù)值。 1參數(shù)屬性adaptParam屬性net.adaptParam屬性定義為當(dāng)前網(wǎng)絡(luò)權(quán)值/閾值調(diào)整函數(shù)的參數(shù)及

16、參數(shù)值，取決于當(dāng)前的權(quán)值/閾值調(diào)整函數(shù)(net.adaptFcn)，可以查看有關(guān)調(diào)整函數(shù)的幫助以獲得這些參數(shù)及參數(shù)值。在MATLAB命令窗口中輸入命令：help(net.adaptFcn)也可以獲得這些參數(shù)以及參數(shù)值的具體描述。initParam屬性net.initParam屬性定義當(dāng)前初始化函數(shù)的參數(shù)及參數(shù)值，取決于當(dāng)前的初始化函數(shù)(net.initFcn)，可以查看有關(guān)初始化函數(shù)的幫助獲得這些參數(shù)及參數(shù)值。在MATLAB命令窗口中輸入名利：help(net.initFcn)也可獲得這些參數(shù)及參數(shù)值的具體描述。performParam屬性net.performParam屬性定義當(dāng)前函數(shù)的參數(shù)

17、及參數(shù)值，取決于當(dāng)前的性能函數(shù)(net.performFcn)，可以查看有關(guān)性能函數(shù)的幫助獲得這些參數(shù)以及參數(shù)值。在MATLAB命令窗口中輸入：help(net.performFcn)也可獲得這些參數(shù)及參數(shù)值的具體描述。trainParam屬性net.trainParam屬性定義當(dāng)前訓(xùn)練函數(shù)的參數(shù)及參數(shù)值，取決于當(dāng)前的訓(xùn)練函數(shù)(net.trainFcn)，可以查看有關(guān)訓(xùn)練函數(shù)的幫助獲得這些參數(shù)以及參數(shù)值。在MATLAB命令窗口中輸入命令：help(net.trainFcn)也可獲得這些參數(shù)及參數(shù)值的具體描述。 1權(quán)值和閾值屬性權(quán)值和閾值的屬性定義了網(wǎng)絡(luò)的可調(diào)整參數(shù)：權(quán)值向量和閾值向量。IW屬性

18、net.IW屬性定義了從網(wǎng)絡(luò)輸入向量到網(wǎng)絡(luò)層的權(quán)值向量(即輸入層的權(quán)值向量)結(jié)構(gòu)。其值為Nl*Ni的細(xì)胞矩陣，Nl為網(wǎng)絡(luò)層數(shù)(net.numLayers),Ni為輸入向量數(shù)(net.numlnputs)。通過(guò)訪問(wèn)net.IWi,j,可以獲得第i個(gè)網(wǎng)絡(luò)層來(lái)自第j個(gè)輸入向量的權(quán)值向量值。LW屬性net.LW定義了從一個(gè)網(wǎng)絡(luò)層到另一個(gè)網(wǎng)絡(luò)層的權(quán)值向量結(jié)構(gòu)。其值為Nl*Nl的細(xì)胞矩陣，Nl為網(wǎng)絡(luò)層數(shù)(net.numLayers)。通過(guò)訪問(wèn)net.LWi,j,可以獲得第i個(gè)網(wǎng)絡(luò)層來(lái)自第j個(gè)網(wǎng)絡(luò)層的權(quán)值向量值。b屬性net.b屬性定義各網(wǎng)絡(luò)層的閾值向量結(jié)構(gòu)。其值Nl*l的細(xì)胞矩陣，Nl為網(wǎng)絡(luò)層(net.n

19、umLayers)。通過(guò)訪問(wèn)net.bi,可以獲得第i個(gè)網(wǎng)絡(luò)層的閾值向量值。其他屬性：userdata屬性：net.userdata屬性為用戶(hù)提供了增加關(guān)于網(wǎng)絡(luò)對(duì)象的用戶(hù)信息的地方，它預(yù)先只定義了一個(gè)字段，其值為一提示信息：net.userdata=note:Putyourcustomnetworkinformationhere. 1子對(duì)象的屬性子對(duì)象的屬性定義了網(wǎng)絡(luò)的各個(gè)子對(duì)象：輸入向量、網(wǎng)絡(luò)層、輸出向量、目標(biāo)向量、權(quán)值向量和閾值向量的屬性。輸入向量net.inputs,該子對(duì)象的屬性詳細(xì)定義了網(wǎng)絡(luò)的每個(gè)輸入向量的每一個(gè)輸入量。例如：net1.inputs=net2.inputs1*1str

20、uct通過(guò)訪問(wèn)net.inputsi可以獲得第i個(gè)輸入向量的屬性值。（1）range屬性net.inputsi.range定義了第i個(gè)輸入向量中每個(gè)元素的取值范圍，其值是一個(gè)R*2的矩陣，R為輸入向量的元素個(gè)數(shù)。矩陣的第一列是每個(gè)元素的最小值，矩陣的第二列是每個(gè)元素的最大值。它包含了兩個(gè)信息：a.輸入向量R的元素個(gè)數(shù)（也就是輸入變量的個(gè)數(shù)）；b.每個(gè)輸入變量的取值區(qū)間。從而確定了輸入向量的規(guī)模，另外range屬性值還用于在一些初始化函數(shù)中確定連接輸入向量的權(quán)值和閾值的初值。（2）size屬性net.inputsi.size定義了網(wǎng)絡(luò)各輸入向量的元素?cái)?shù)目，可以被設(shè)置為零或正整數(shù)。當(dāng)其值發(fā)生變化時(shí)

21、，表明輸入向量的元素?cái)?shù)目發(fā)生了變化，那么相應(yīng)的range屬性值（net.inputsi.range）、與之相連接的權(quán)值的size屬性值（net.inputWeights:,i.size）及輸入權(quán)值向量（net.IW:,i）的大小會(huì)自動(dòng)作相應(yīng)變化。（3）userdata屬性net.inputi.userdata和net.userdata為用戶(hù)提供了關(guān)于輸入向量的用戶(hù)信息的地方，它預(yù)先只定義了一個(gè)字段，其值為一提示信息：net.inputsi.userdata=note:Putyourcustominputinformationhere網(wǎng)絡(luò)層net.layers,該子對(duì)象的屬性詳細(xì)定義了網(wǎng)絡(luò)的每一

22、個(gè)網(wǎng)絡(luò)層。通過(guò)訪問(wèn)net.layersi可以獲得第i個(gè)網(wǎng)絡(luò)層的屬性值：（1）dimensions屬性net.Layersi.dimensions屬性定義了第i個(gè)網(wǎng)絡(luò)層神經(jīng)元的位數(shù)。對(duì)于自組織映射的多維方式，能夠設(shè)置網(wǎng)絡(luò)層的神經(jīng)元維數(shù)是很重要的。net.layersi.dimensions可以被設(shè)置成所有元素值為零或正整數(shù)的行向量，此時(shí)，行向量所有元素的乘積即為該網(wǎng)絡(luò)層的神經(jīng)元數(shù)。當(dāng)采用網(wǎng)絡(luò)拓?fù)浜瘮?shù)(net.layersi.topologyFcn)計(jì)算神經(jīng)元在網(wǎng)絡(luò)層中的位置(net.layersi.positions)時(shí)，將用到網(wǎng)絡(luò)層神經(jīng)元維數(shù)。net.layersi.dimensions屬性一

23、旦改變，網(wǎng)絡(luò)層的大小(net.layersi.size)、網(wǎng)絡(luò)層神經(jīng)元的位置(net.layersi.positions)以及了兩個(gè)神經(jīng)元之間的距離(net.layersi.distances)都會(huì)隨之改變。distanceFcn屬性net.layersi.distanceFcn,該屬性定義一個(gè)函數(shù)，用于第i個(gè)網(wǎng)絡(luò)層中的神經(jīng)元之間距離的計(jì)算，它是根據(jù)神經(jīng)元的位置(net.layersi.positions)來(lái)進(jìn)行計(jì)算的。神經(jīng)元的距離用于自組織映射神經(jīng)網(wǎng)絡(luò)。該屬性可被設(shè)置成神經(jīng)網(wǎng)絡(luò)工具箱中的以下距離函數(shù)：boxdist計(jì)算兩個(gè)位置向量之間距離的距離函數(shù)；dist歐幾里得(Euclidean)距離

24、權(quán)值函數(shù)；linkdist連接距離函數(shù)；mandist曼哈頓(Manhattan)距離權(quán)值函數(shù)。distances屬性(只讀)net.layersi.disances，該屬性定義第i個(gè)網(wǎng)絡(luò)層中神經(jīng)元之間的距離，這些距離用于自組織映射神經(jīng)網(wǎng)絡(luò)。其值為網(wǎng)絡(luò)層距離函數(shù)(net.layersi.distanceFcn)的計(jì)算結(jié)果，是通過(guò)網(wǎng)絡(luò)層神經(jīng)元的位置(net.layersi.positions)進(jìn)行計(jì)算的。initFcn屬性net.layersi.initFcn,如果網(wǎng)絡(luò)初始化函數(shù)(net.initFcn)設(shè)置為initlay,則該屬性定義為第i個(gè)網(wǎng)絡(luò)層的初始化函數(shù)。該屬性可被設(shè)置為：initnw

25、NW(Nguyen-Widrow)網(wǎng)絡(luò)層初始化函數(shù)；initwb通過(guò)權(quán)值和閾值進(jìn)行初始化的網(wǎng)絡(luò)層初始化函數(shù)。netlnputFcn屬性lnputFcn屬性定義一個(gè)網(wǎng)絡(luò)輸入函數(shù)，以給定的權(quán)值和閾值計(jì)算第i個(gè)網(wǎng)絡(luò)層的輸入。該屬性可被設(shè)置為：netprod求積網(wǎng)絡(luò)輸入函數(shù)；netsum求和網(wǎng)絡(luò)輸入函數(shù)。positions屬性(只讀)net.layersi.positions，該屬性定義第i個(gè)網(wǎng)絡(luò)層中神經(jīng)元的位置，這些位置用于自組織映射。其值為網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)函數(shù)(net.layersi.topologyFcn)關(guān)于位置的計(jì)算結(jié)果，它是通過(guò)網(wǎng)絡(luò)層神經(jīng)元維數(shù)(net.layersi.dimensions)進(jìn)

26、行計(jì)算的?？梢杂胮lotsom函數(shù)畫(huà)出網(wǎng)絡(luò)層神經(jīng)元的位置圖。例如：plotsom(net2.layers1.positions)size屬性net.layersi.size,該屬性定義第i網(wǎng)絡(luò)層中的神經(jīng)元數(shù)目，其值可以設(shè)置為零活正整數(shù)。其值一旦發(fā)生變化，則所有的net.inputWeightsi,:.size(連接到該網(wǎng)絡(luò)層的輸入權(quán)值向量元素的數(shù)目)，net.layerWeights:,i.size(該網(wǎng)絡(luò)層連接到其他網(wǎng)絡(luò)層權(quán)值向量元素的數(shù)目)，net.inputWeightsi,:.size(其他網(wǎng)絡(luò)層連接到該網(wǎng)絡(luò)層權(quán)值向量元素的數(shù)目)，net.biasi.size(該網(wǎng)絡(luò)層閾值向量元素的數(shù)

27、目)等都將隨之改變。與之相關(guān)的net.IWi,:，net.LWi,:，net.LW:,i和biases(net.bi)向量的維數(shù)也會(huì)隨之改變。同時(shí)網(wǎng)絡(luò)層神經(jīng)元的維數(shù)(net.layersi.dimensions)將被設(shè)置成與該屬性相同的值，這僅適用于神經(jīng)元的維數(shù)為一維的情況；對(duì)于多維情況，應(yīng)該直接設(shè)置net.layersi.dimensions，而不應(yīng)使用size屬性進(jìn)行設(shè)置。topologyFcn屬性net.layersi.topologyFcn,該屬性定義一拓?fù)浣Y(jié)構(gòu)函數(shù)，用于計(jì)算第i個(gè)網(wǎng)絡(luò)層中的神經(jīng)元位置(net.layersi.positions)，該位置是通過(guò)網(wǎng)絡(luò)層神經(jīng)元維數(shù)net.l

28、ayesi.dimensions進(jìn)行計(jì)算的。其值可以設(shè)成：gridtop網(wǎng)狀網(wǎng)絡(luò)層拓?fù)浣Y(jié)構(gòu)函數(shù)；hextop六邊形網(wǎng)絡(luò)層拓?fù)浣Y(jié)構(gòu)函數(shù)；randtop隨機(jī)網(wǎng)絡(luò)層拓?fù)浣Y(jié)構(gòu)函數(shù)。TopologyFcn的屬性值一旦改變，則網(wǎng)絡(luò)層神經(jīng)元的位置(net.layersi.positions)也會(huì)隨之更新。transferFcn屬性net.layersi.transferFcn,該屬性定義網(wǎng)絡(luò)的傳輸函數(shù)，用于計(jì)算第i個(gè)網(wǎng)絡(luò)層的輸出，該輸出是通過(guò)給定的網(wǎng)絡(luò)層輸入值進(jìn)行計(jì)算的。其值可以設(shè)置成：compet競(jìng)爭(zhēng)型傳遞函數(shù)；hardlim閾值型傳遞函數(shù)；hardlims對(duì)稱(chēng)閾值型傳輸函數(shù)；logsigS型傳輸函數(shù)；p

29、oslin正線(xiàn)性傳輸函數(shù)；purelin線(xiàn)性傳輸函數(shù)；radbas徑向基傳輸函數(shù)；satlin飽和線(xiàn)性傳輸函數(shù)；satlins飽和對(duì)稱(chēng)線(xiàn)性傳輸函數(shù)；softmax柔性最大值傳輸函數(shù)；tanhsig雙曲正切S型傳輸函數(shù)；tribas三角形徑向基傳輸函數(shù)；當(dāng)sim被調(diào)用時(shí)，傳輸函數(shù)用于網(wǎng)絡(luò)仿真：Y,Pf,Af=sim（net,P,Pi,Ai）（10）userdata屬性net.layersi.userdata,該屬性為用戶(hù)提供增加關(guān)于網(wǎng)絡(luò)層向量的用戶(hù)信息的地方,它預(yù)先只定義一個(gè)字段，其值為一提示信息：net.layersi.userdata=note:Putyourcustomlayerinfor

30、mationhere.用戶(hù)可以通過(guò)修改net.layersi.userdata.note的值，增加關(guān)于網(wǎng)絡(luò)層的用戶(hù)信息。輸出向量net.outputs,該子對(duì)象的屬性詳細(xì)定義了網(wǎng)絡(luò)的每一個(gè)輸出向量。每個(gè)輸出向量的結(jié)構(gòu)屬性值可以通過(guò)net.outputsi,j進(jìn)行訪問(wèn)。（1）size屬性net.outputsi.size,該屬性定義了第i個(gè)網(wǎng)絡(luò)層輸出向量中元素的個(gè)數(shù)，其值為第i個(gè)網(wǎng)絡(luò)層神經(jīng)元的數(shù)目（net.layersi.size）。（2）userdata屬性net.outputsi.userdata,該屬性為用戶(hù)提供了增加關(guān)于第i個(gè)網(wǎng)絡(luò)層輸出向量的用戶(hù)信息的地方,它預(yù)先只定義一個(gè)字段,其值為一

31、提示信息：net.outputsi=note:Putyourcustomoutputinformationhere.用戶(hù)可以通過(guò)修改net.outputsi.userdata.note的值，增加關(guān)于第i個(gè)網(wǎng)絡(luò)層輸出向量的用戶(hù)信息。目標(biāo)向量net.targets,該子對(duì)象的屬性詳細(xì)定義了網(wǎng)絡(luò)的每一個(gè)目標(biāo)向量。每個(gè)目標(biāo)向量的結(jié)構(gòu)屬性值可以通過(guò)net.targetsi,j來(lái)訪問(wèn)。（1）size屬性net.targetsi.size,該屬性定義了第i個(gè)網(wǎng)絡(luò)層目標(biāo)向量中元素的個(gè)數(shù)，其值為第i個(gè)網(wǎng)絡(luò)層神經(jīng)元的數(shù)目（net.layersi.size）。（2）userdata屬性net.targetsi.us

32、erdata,該屬性為用戶(hù)提供了增加關(guān)于第i個(gè)網(wǎng)絡(luò)層目標(biāo)向量的用戶(hù)信息的地方，它預(yù)先只定義一個(gè)字段，其值為一提示信息：net.outputsi=note:Putyourcustomoutputinformationhere.用戶(hù)可以通過(guò)修改net.targetsi.userdata.note的值，增加關(guān)于第i個(gè)網(wǎng)絡(luò)層目標(biāo)向量的用戶(hù)信息。閾值向量net.biasesi,該子對(duì)象的屬性詳細(xì)定義網(wǎng)絡(luò)的每一個(gè)閾值向量。每個(gè)閾值向量的結(jié)構(gòu)屬性值可以通過(guò)net.biasesi進(jìn)行訪問(wèn)。initFcn屬性net.biasesi.initFcn，該屬性定義了第i個(gè)網(wǎng)絡(luò)層閾值向量的初始化函數(shù)，如果網(wǎng)絡(luò)的初始化函數(shù)為initlay,則第i個(gè)網(wǎng)絡(luò)層閾值向量的初始化函數(shù)的函數(shù)為initwb。其值可以設(shè)成神經(jīng)網(wǎng)絡(luò)工具箱中的以下初始化函數(shù)：initcon“良心(co