p = rand(1,50)*7 ;% 生成1行50个0~7之间的随机数
t = sin(p) ;% 计算正弦曲线
s = 0:0.1:7; % 生成0~7的一组数据，间隔0.1，用于模拟测试
%plot(p, t, 'x') % 画散点图
[pn, ps] = mapminmax(p, 0, 1); % 特征数据归一化
[tn, ts] = mapminmax(t, 0, 1); % 样本值归一化
sn = mapminmax('apply', s, ps); % 测试数据，按ps比例缩放
%net = newff(p, t, 20); % 创建神经网络
% 创建3层神经网络 [隐藏层10个节点->logsig, 输出层1个节点->purelin] traingd代表梯度下降法,训练慢
%net = newff(p, t, 10, {'logsig' 'purelin'}, 'traingd');
%trainlm使用LM算法，是介于牛顿法和梯度下降法之间的一种非线性优化方法，不但会加快训练速度，还会减小陷入局部最小值的可能性，是Matlab的默认值。
% newff的第三个参数10不能写成[10 1]，否则就是4层网络，两个隐藏层，分别是10个和1个节点。这个很容易弄错。（输出层的节点数程序会自动根据t的维度自动判断，所以不用指定）
%net = newff(p, t, 3, {'logsig' 'purelin'}, 'trainlm');
net = newff(pn, tn, [5 1], {'logsig' 'purelin'}, 'trainlm'); % 创建神经网络
% 设置训练参数
net.trainparam.show = 50; % 显示训练结果(训练50次显示一次)
net.trainparam.epochs = 9999; % 总训练次数
net.trainparam.goal = 0.001; % 训练目标：误差<0.01
net.trainParam.lr = 0.06; % 学习率(learning rate)
net = train(net, pn, tn); % 开始训练
%net = train(net, p, t); % 开始训练
yn = sim(net, sn); % 模拟
%y = sim(net, s); % 模拟
y = mapminmax('reverse', yn, ts); % 按ps的比例还原
plot(s, y, 'x',s,sin(s),'r') % 画散点图
%如果要看具体的值，用net.iw和net.lw和net.b
%输入到隐层权值：
w1=net.iw{1,1};
%隐层阈值：
theta1=net.b{1};
%隐层到输出层权值：
w2=net.lw{2,1};
%输出层阈值：
theta2=net.b{2};
