用MATLAB训练BP神经网络显示未定义与 'struct' 类型的输入参数相对应的函数 'train'。

一下是我根据网课学习写的代码，18x5x1的三层BP神经网络，隐层神经元的激励函数为S型正切函数tansig。选取S型对数函数tansig作为输出层神经元的激励函数。win10 64位 matlab2019b

clear all

clc

p_train=[0.012 0.025 0.036 0.042 0.021 0.026 0.069 0.012 0.085 0.163 0.142 0.056 0.046 0.028 0.046 0.210 0.060 0.030;

0.035 0.056 0.190 0.042 0.063 0.142 0.036 0.058 0.020 0.042 0.063 0.075 0.009 0.062 0.075 0.001 0.065 0.040;

0.156 0.264 0.036 0.021 0.032 0.084 0.056 0.035 0.162 0.082 0.046 0.156 0.025 0.261 0.042 0.260 0.321 0.005;

0.036 0.058 0.042 0.159 0.056 0.283 0.052 0.041 0.056 0.041 0.056 0.025 0.052 0.251 0.036 0.230 0.123 0.023;

0.009 0.352 0.042 0.258 0.056 0.025 0.023 0.256 0.012 0.039 0.125 0.321 0.052 0.019 0.022 0.213 0.125 0.023;

0.026 0.036 0.001 0.063 0.265 0.021 0.156 0.021 0.036 0.021 0.036 0.060 0.250 0.125 0.021 0.002 0.321 0.123;

0.125 0.062 0.021 0.265 0.023 0.036 0.120 0.005 0.062 0.046 0.021 0.054 0.021 0.002 0.123 0.123 0.032 0.021;

0.001 0.026 0.062 0.321 0.052 0.062 0.021 0.052 0.042 0.001 0.054 0.042 0.052 0.420 0.062 0.032 0.052 0.042;

0.002 0.123 0.020 0.251 0.260 0.062 0.062 0.020 0.336 0.006 0.024 0.052 0.063 0.006 0.210 0.123 0.023 0.222;

0.040 0.030 0.123 0.060 0.120 0.230 0.152 0.063 0.050 0.230 0.020 0.132 0.002 0.140 0.200 0.006 0.253 0.066];

t_train=[0.123 0.230 0.210 0.006 0.250 0.212 0.414 0.216 0.006 0.125];

p_test=[0.023 0.058 0.125 0.013 0.154 0.064 0.018 0.046 0.125 0.035 0.030 0.033 0.164 0.027 0.016 0.037 0.017 0.015];

t_test=[0.067];

%%

newff(p_train,t_train,[5,1],{'tansig','tansig','tansig'},'traingdx')

%%

net.trainParam.epochs=500;

net.trainParam.goal=0.005;

net.trainParam.ir=0.001;

%%

net=train(net,p_train,t_train);

%[net,tr]=train(net,p_train,t_train);

Answer 1

[华纳娱乐注册【微8785092】]

仅供参考

clear all
clc
p_train=[0.012 0.025 0.036 0.042 0.021 0.026 0.069 0.012 0.085 0.163 0.142 0.056 0.046 0.028 0.046 0.210 0.060 0.030;
    0.035 0.056 0.190 0.042 0.063 0.142 0.036 0.058 0.020 0.042 0.063 0.075 0.009 0.062 0.075 0.001 0.065 0.040;
    0.156 0.264 0.036 0.021 0.032 0.084 0.056 0.035 0.162 0.082 0.046 0.156 0.025 0.261 0.042 0.260 0.321 0.005;
    0.036 0.058 0.042 0.159 0.056 0.283 0.052 0.041 0.056 0.041 0.056 0.025 0.052 0.251 0.036 0.230 0.123 0.023;
    0.009 0.352 0.042 0.258 0.056 0.025 0.023 0.256 0.012 0.039 0.125 0.321 0.052 0.019 0.022 0.213 0.125 0.023;
    0.026 0.036 0.001 0.063 0.265 0.021 0.156 0.021 0.036 0.021 0.036 0.060 0.250 0.125 0.021 0.002 0.321 0.123;
    0.125 0.062 0.021 0.265 0.023 0.036 0.120 0.005 0.062 0.046 0.021 0.054 0.021 0.002 0.123 0.123 0.032 0.021;
    0.001 0.026 0.062 0.321 0.052 0.062 0.021 0.052 0.042 0.001 0.054 0.042 0.052 0.420 0.062 0.032 0.052 0.042;
    0.002 0.123 0.020 0.251 0.260 0.062 0.062 0.020 0.336 0.006 0.024 0.052 0.063 0.006 0.210 0.123 0.023 0.222;
    0.040 0.030 0.123 0.060 0.120 0.230 0.152 0.063 0.050 0.230 0.020 0.132 0.002 0.140 0.200 0.006 0.253 0.066]';
t_train=[0.123 0.230 0.210 0.006 0.250 0.212 0.414 0.216 0.006 0.125];
p_test=[0.023 0.058 0.125 0.013 0.154 0.064 0.018 0.046 0.125 0.035 0.030 0.033 0.164 0.027 0.016 0.037 0.017 0.015];
t_test=[0.067];
%%
net=newff(p_train,t_train,[5,1],{'tansig','tansig','tansig'},'traingdx')
%%
net.trainParam.epochs=500;
net.trainParam.goal=0.005;
net.trainParam.ir=0.001;
%%
net=train(net,p_train,t_train);
%[net,tr]=train(net,p_train,t_train);