1、BP神经网络是一种前馈型网络（各神经元接受前一层的输入，并输出给下一层，没有反馈），分为input层，hide层，output层
2、BP神经网络的步骤:
1）创建一个神经网络：newff
a.训练样本：归一化（premnmx ，postmnmx ，tramnmx）
b.确定节点数：输出层的节点数可直接获得
c.确定各层神经元的激活函数
常见的激活函数：purelin:线性/logsig:对数S型/tansig:正切S型
d.确定训练函数
traingd ：梯度下降BP训练函数/traingdx ：梯度下降自适应学习率训练函数
%Format:net = newff ( A, B, {C} ,‘trainFun’)
A：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：k维行向量，其元素为网络中各层节点数
C：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
2）学习:train
学习是一个调整权重的过程，使得通过神经网络的输出不断逼近应有的输出
网络配置参数
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
%Farmat:net=train( net, X, Y )
X：网络实际输入
Y：网络应有输出
3）仿真模拟
选择测试集X进行模拟
%Farmat:Y=sim(net,X)
3、举例
下面将举大量的例子来说明BP神经网络的应用。
1）对函数f(x)=sinx(0=<x<=pi/2)进行逼近
%%%使用BP神经网络逼近函数cos(x)%%%
clc;clear;
x=:0.1:1.5;%训练样本
y=sin(x);%真实的输出值
net=newff(minmax(x),[,],{'logsig','logsig'});%建立bp神经网络
net.trainParam.show = ;
net.trainParam.lr = 0.01;
net.trainParam.goal = 0.0001;
net.trainParam.epochs = ;
net=train(net,x,y);%训练样本
testx=0.01:0.1:1.51;
testy=sim(net,testx);%测试
plot(x,y,testx,testy,'r');
2）对两种蠓虫（Af 与Apf）进行鉴别：
依据的资料是触角和翅膀的长度，已经测得了9 支Af 和6 支Apf 的数据如下：
Af: (1.24,1.27)，(1.36,1.74)，(1.38,1.64)，(1.38,1.82)，(1.38,1.90)，(1.40,1.70)，
(1.48,1.82)，(1.54,1.82)，(1.56,2.08).
Apf: (1.14,1.82)，(1.18,1.96)，(1.20,1.86)，(1.26,2.00)，(1.28,2.00)，(1.30,1.96).
Q：对触角和翼长分别为(1.24,1.80)，(1.28,1.84)与(1.40,2.04)的3 个标本加以识别。
clear
p1=[1.24,1.27;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90;
1.40,1.70;1.48,1.82;1.54,1.82;1.56,2.08];
p2=[1.14,1.82;1.18,1.96;1.20,1.86;1.26,2.00
1.28,2.00;1.30,1.96];
p=[p1;p2]';
pr=minmax(p);
net=newff(pr,[,],{'logsig','logsig'});
net.trainParam.show = ;
net.trainParam.lr = 0.05;
net.trainParam.goal = 1e-;
net.trainParam.epochs = ;
net = train(net,p,goal);
x=[1.24 1.80;1.28 1.84;1.40 2.04]';
y0=sim(net,p)
y=sim(net,x)