BP神经网络的隐含层，输入层，输出层的节点数确定

1.输入向量维数=输入层节点数

2.隐含层节点数计算

一般情况下隐含层转移函数用logsig或tansig

确定隐含层节点数应该满足以下条件: 
隐含层节点数必须小于N-1(N是训练样本数),否则网络模型的系统误差与训练样本的特性无关而趋于0,即建立的网络模型没有泛化能力,也没有任何使用价值,同理,输入层的节点数也必须小于N-1; 
训练样本数必须多余网络模型的连接权数,一般为2~10倍,否则,样本必须分成及部分且必须采用”轮流训练”的方法才能得到可靠的神经网络。

3.输出层节点数=测试分类个数

一般情况下隐含层转移函数用tansig或purelin函数

newff函数的格式为：

net=newff(PR,[S1 S2 ...SN],{TF1 TF2...TFN},BTF,BLF,PF），函数newff建立一个可训练的前馈网络。输入参数说明：

PR：Rx2的矩阵以定义R个输入向量的最小值和最大值；

Si：第i层神经元个数；

TFi：第i层的传递函数，默认函数为tansig函数；

BTF：训练函数，默认函数为trainlm函数；

BLF：权值/阈值学习函数，默认函数为learngdm函数；

PF：性能函数，默认函数为mse函数。

MATLAB神经网络工具箱要求样本数据矩阵的每列是一个样本，对应于输出矩阵的一列，你的newff函数应该是低版本的函数，其中
PR -- R x 2 matrix of min and max values for R input elements 
Si -- Size of ith layer, for Nl layers 
即PR是包含输入数据的最大值和最小值的矩阵，如果你的输入矩阵为A，并且A的每列是一个样本，那么PR=minmax(A)；

[s1,s2,...,sn]需要指定隐含层和输出层的节点数，