当你用newff的时候，里面有一个参数可以控制层数，比如说：P = [0 1 2 3 4 5 6 7 8 9 10];T = [0 1 2 3 4 3 2 1 2 3 4];net = newff(P,T,5); %这样表示有1个隐藏层，里面那个5表示神经元的个数net = newff(P,T,[5,10]); %这样表示有2个隐藏层net = newff(P,T,[5 10 8]); %这样表示有3个隐藏层,以此类推，明白吧？
谷歌人工智能写作项目：神经网络伪原创
function [presim ss net] = simnonlin( y,d,n )% y-- 时间序列数据，列向量% d-- 时间延迟参数，正整数% n--用于训练的点的个数，正整数trainset = gettrain(y,d);inputs = trainset(:,1:end-1)';targets = trainset(:,end)';net = feedforwardnet(20,'trainscg');% net = newff(inputs,targets,40);% net = train(net,inputs,targets);net=train(net,inputs,targets);presim(1:d)=y(end-d+1:end);for i = d+1:d + npresim(i) = sim(net,presim(i-d:i-1)');endss = presim(d+1:end)';end调用示例：t=[1:100]';y = exp(-0.1*t).*sin(t);d=10;n=80;sim = simnonlin( y,d,n );文案狗。
这是一个来自nnetinfo的例子,在matlab2012b运行后的确可以,因为百度知道的文本宽度不够,注释挤到第二行了,有些乱,楼主注意区分哪些是代码哪些是注释,x1 = [-3,-2.7,-2.4,-2.1,-1.8,-1.5,-1.2,-0.9,-0.6,-0.3,0,0.3,0.6,0.9,1.2,1.5,1.8]; %x1：x1 = -3:0.3:2; x2 = [-2,-1.8,-1.6,-1.4,-1.2,-1,-0.8,-0.6,-0.4,-0.2,-2.2204,0.2,0.4,0.6,0.8,1,1.2];%x2：x2 = -2:0.2:1.2; y = [0.6589,0.2206,-0.1635,-0.4712,-0.6858,-0.7975,-0.8040,... -0.7113,-0.5326,-0.2875 ,0,0.3035,0.5966,0.8553,1.0600,1.1975,1.2618]; %y： y = sin(x1)+0.2*x2.*x2; inputData = [x1;x2]; %将x1,x2作为输入数据 outputData = y; %将y作为输出数据%使用用输入输出数据（inputData、outputData）建立网络，%隐节点个数设为3.其中隐层、输出层的传递函数分别为tansig和purelin，使用trainlm方法训练。
net = newff(inputData,outputData,3,{'tansig','purelin'},'trainlm'); %设置一些常用参数 = 0.0001; %训练目标：均方误差低于0.0001 = 400; %每训练400次展示一次结果 net.trainparam.epochs = 15000; %最大训练次数：15000. [net,tr] = train(net,inputData,outputData);%调用matlab神经网络工具箱自带的train函数训练网络 simout = sim(net,inputData); %调用matlab神经网络工具箱自带的sim函数得到网络的预测值 figure; %新建画图窗口窗口 t=1:length(simout); plot(t,y,t,simout,'r')%画图，对比原来的y和网络预测的y。
clc;clearall;closeall;%%----BuildatrainingsetofasimilarversionofXORc_1=[00];c_2=[11];c_3=[01];c_4=[10];n_L1=20;%numberoflabel1n_L2=20;%numberoflabel2A=zeros(n_L1*2,3);A(:,3)=1;B=zeros(n_L2*2,3);B(:,3)=0;%createrandompointsfori=1:n_L1A(i,1:2)=c_1+rand(1,2)/2;A(i+n_L1,1:2)=c_2+rand(1,2)/2;endfori=1:n_L2B(i,1:2)=c_3+rand(1,2)/2;B(i+n_L2,1:2)=c_4+rand(1,2)/2;end%showpointsscatter(A(:,1),A(:,2),[],'r');holdonscatter(B(:,1),B(:,2),[],'g');X=[A;B];data=X(:,1:2);label=X(:,3);%%Usingkmeanstofindcintervectorn_center_vec=10;rng(1);[idx,C]=kmeans(data,n_center_vec);holdonscatter(C(:,1),C(:,2),'b','LineWidth',2);%%Calulatesigman_data=size(X,1);%calculateKK=zeros(n_center_vec,1);fori=1:n_center_vecK(i)=numel(find(idx==i));end%UsingknnsearchtofindKnearestneighborpointsforeachcentervector%thencalucatesigmasigma=zeros(n_center_vec,1);fori=1:n_center_vec[n,d]=knnsearch(data,C(i,:),'k',K(i));L2=(bsxfun(@minus,data(n,:),C(i,:)).^2);L2=sum(L2(:));sigma(i)=sqrt(1/K(i)*L2);end%%Calutateweights%kernelmatrixk_mat=zeros(n_data,n_center_vec);fori=1:n_center_vecr=bsxfun(@minus,data,C(i,:)).^2;r=sum(r,2);k_mat(:,i)=exp((-r.^2)/(2*sigma(i)^2));endW=pinv(k_mat'*k_mat)*k_mat'*label;y=k_mat*W;%y(y>=0.5)=1;%y(y。
P=[1;2;3;4;5];%月P=[P/50]；T=[2;3;4;5;6]；%月训练样本T=[T/50]；threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1];net=newff(threshold,[15,7],{'tansig','logsig'},'trainlm');net.trainParam.epochs=2000;=0.001;=0.1;net=train(net,P,T);P_test=[6月]';%6月数据预测7月P_test=[P_test/50];y=sim(net,P_test)y=[y*50]。
利用matlab进行神经网络建模，可以有两种方式，第一、使用M语言编程来实现模型的量化。
第二、直接使用matlab自带的神经网络工具箱，有BP，RBF，小波神经网络等工具箱，都可以实现神经网络建模，神经网络建模实际就是模拟人的大脑来对问题进行分析，然后摸索规律，进行建模，一般有N的输入项，1个输出项（也可有多个），实际就是分析N个输入项对于输出项的影响权重。
如果有需要可以，我们可以再交流。
matlab编写BP神经网络很方便的，这个工作不用像编程序的C什么的那样还要编写算法这个算法早已经在软件的库里提供了。你只要用一条语句就出来了。把参数，深度和节点固定的往里一代数就可以了。
还有一点，注意最后结果的收敛性，神经网络发展一直是曲折前进的，为什么这样，现在不太给力，因为面临着一个收敛的问题，实现起来效果不好。这些程序网上有很多，你借一本基本的神经网络的书里面也有。望采纳。
使用神经网络工具箱可以非常简便地实现网络建立和训练，实例代码如下：%% BP算法function Out=bpnet(p,t,p_test)%p,t为样本需要提前组织好global S1net=newff(minmax(p),[S1,8],{'tansig','purelin'},'trainlm'); %trainlm训练函数最有效%net=newff(P,T,31,{'tansig','purelin'},'trainlm');%新版用法net.trainParam.epochs=1000;=0.00001;=0.01;net.trainParam.showWindow = false; %阻止训练窗口的弹出net.trainParam.showCommandLine = false; %阻止训练窗口的弹出net=train(net,p,t);Out=sim(net,p_test);end上面的代码不完整，完整的带训练样本数据的程序见附件。
