1.神经网络主要训练参数
net.trainParam.goal=0.1 % 训练目标最小误差，这里设置为0.1
net.trainParam.epochs=300; % 训练次数，这里设置为300次
net.trainParam.show=20; % 显示频率，这里设置为没训练20次显示一次
net.trainParam.mc=0.95; % 附加动量因子
net.trainParam.lr=0.05; % 学习速率，这里设置为0.05
net.trainParam.min_grad=1e-6; %最小性能梯度
net.trainParam.min_fail=5; % 最大确认失败次数
2.newff函数中训练函数
(1） traingd：基本梯度下降法，收敛速度比较慢。
（2） traingda：自适应学习率的梯度下降法
（3） traingdm：带有动量项的梯度下降法, 通常要比traingd 速度快。
（4） traingdx: 带有动量项的自适应学习算法, 速度要比traingdm 快。
（5） trainrp: 弹性BP 算法, 具有收敛速度快和占用内存小的优点。
（6） traincgf: Fletcher-Reeves 共轭梯度法,为共轭梯度法中存储量要求最小的算法。
（7） traincgp: Polak-Ribiers共轭梯度算法, 存储量比traincgf稍大,但对某些问题收敛更快。
(8) traincgb: Powell-Beale共轭梯度算法,存储量比traincgp稍大,但一般收敛更快，以上三种共轭梯度法,都需要进行线性搜索。
(9) trainscg: 归一化共轭梯度法,是唯一一种不需要线性搜索的共轭梯度法。
(10) trainbfg: BFGS- 拟牛顿法, 其需要的存储空间比共轭梯度法要大,每次迭代的时间也要多,但通常在其收敛时所需的迭代次数要比共轭梯度法少,比较适合小型网络。
(11) traino ss: 一步分割法,为共轭梯度法和拟牛顿法的一种折衷方法。
(12) trainlm: Levenberg-Marquardt算法,对中等规模的网络来说, 是速度最快的一种训练算法, 其缺点是占用内存较大。对于大型网络, 可以通过置参数mem-reduc 为1, 2, 3,⋯,将Jacobian 矩阵分为几个子矩阵。但这样也有弊端, 系统开销将与计算Jacobian的各子矩阵有很大关系。
(13) trainbr: 贝叶斯规则法,对Levenberg-Marquardt算法进行修改, 以使网络的泛化能力更好。同时降低了确定最优网络结构的难度。
