BP神经网络是反向传播神经网络
1.归一化 : 将数据映射到[0，1]或者[-1，1]缩小数据范围。防止数据淹没（一个数据很大一个很小，小的可能会忽略不计）
2. [Y,PS] = mapminmax(X,YMIN,YMAX)%x输入，y输出，YMIN，YMAX输出的范围，PS为结构体的信息。YMIN，YMAX默认是-1，1 ，正常设置为0，1
Y = mapminmax('apply',X,PS);%采用同X一样的归一化
X = mapminmax('reverse',Y,PS);%反归一化
eg:当x = [1,2,3,4];
经过归一化后是0-1之间的四个数，反归一化就是重新变成x=[1,2,3,4];
3.创建网络 net=newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)
参数：P 输入参数矩阵
T 目标参数矩阵
S N-1个隐含层数目（s(1)到s(N-1)）,默认为空矩阵【】
TF 相关层的传递函数，默认隐含层为tansig函数，输出层为purlin函数。
tansig：正切S型传递函数 purelin：线性传递函数 logsig:对数S型传递函数
隐含层和输出层函数选择对BP神经网络预测精度有较大影响，一般隐含层节点转移函数选用tansig函数或者logsig函数，输出层节点转移函数选用tansig函数或者purelin函数。
BTF：BP神经网络学习训练函数，默认为taringlm函数，
BLF ：权重学习函数，默认值为learngdm。traingd：最速下降BP算法。 traingdm：动量BP算法 trainda:学习率可变的最快下降BP算法。 traindx:学习率可变的动量BP算法。 trainrp ： 弹性算法。
PF:性能函数，默认值为mse，可选择的还有sse，sae，mae，crossentropy 。mse：均方差。sse：和方差。mae： 平方损失。 crossentropy：交叉熵。
IPF/OPF/DDF均设置为默认值即可。
4.训练函数 ：（训练所有神经网络）
net,tr,Y,E,Pf,Af\] = train(net,P,T,Pi,Ai) **net** :需要训练的神经网络 **p** :网络输入 **T** :网络期望输出 **Pi/Ai:初始输入/层延迟，默认为0 net** :训练好的神经网络 **tr:训练记录，包括训练的步数epoch和性能perf 对于没有输入延迟或层延迟的网络，Pi、Ai、Pf和Af参数是不需要的。** **仿真函数:\[Y,Pf,Af,E,perf\] = sim(net,P,Pi,Ai,T)** pf:最终输入延时 Af:最终层延迟 E:网络误差 Y:拟合或预测值 perf:网络性能 net:BP神经网络 P:拟合或预测值 T:拟合或预测期望 基本步骤：1。导入数据，分为训练输入数据和训练输出数据，测试输入数据和测试输出数据，各个层的节点数量， 2.训练样本归一化（包括训练输入和训练输出） 3.构建神经网络 4.网络参数配置 5.训练神经网络net 6.测试样本归一化 7.利用训练后的net进行预测测试集 8.得到预测结果 9.再进行反归一化得到原数值 10.计算误差 参考大佬视频:[添加链接描述](https://www.bilibili.com/video/BV1qM411b7wA/?spm_id_from=333.788&vd_source=f685608625f6c3b231216fe8caa01994)