net = newff(minmax(pn),[4 9 1],{'tansig','tansig','tansig'},'traingdx','learngdm');    %   Creat neural networks algorithm
สร้าง นิวรอนแบบฟีดฟอร์เวิร์ด โครงสร้างแบบ
อินพุต 4 โหนด ฮิดเดอน 9 โหนด เอาพุตท์ 1 โหนด
โดยมี ฟังชั่นในการเลือกค่า F(x)  tansig ทั้งหมด
traingdx จำไม่ได้
ใช้สมการปรับ เวท แบบ learngdm
%%%%%%%%%% constraint for running program %%%%%%%%
net.trainParam.show = 1000;
แสดงค่าทุก 1000 รอบ
net.trainParam.lr = 0.1;
จำไม่ได้
net.trainParam.epochs = 15000;
เทรน 15000 รอบ
net.trainParam.goal = 1e-6;
ผลของการเทรนที่ต่ำสุด 1ไมโคร
net.trainParam.mc = 0.3;
ไม่เคยใช้
net.trainParam.lr_inc = 1.05;
จำไม่ได้
net.trainParam.lr_dec = 0.7;
จำไม่ได้
net.trainParam.max_fail = 5;
ค่าผิดพลาดในการเทรน สูงสุด 5
net.trainParam.max_perf_inc = 1.04;
จำไม่ได้
net.trainParam.min_grad = 1e-10;
จำไม่ได้
net.trainParam.time = inf;
เทรนไปเรื่อยๆ
%%%%%%%%%% setting weight and bias %%%%%%%%%%
net.initFcn = 'initlay';
ไม่เคยใช้

net = init(net);
ไม่เคยใช้
%%%%%%%%%%% training %%%%%%%%%%%%%%%
net = train(net,pn,tn);     %   neural networks training
เริ่มเทรนข้อ pn เป็น อินพุต tn เป็นคำตอบ
yn  = sim(net,pn);          %   find output using weight from training
เทสดูผล
y = postmnmx(yn,mint,maxt); %   denormalize output
ปรับค่ากลับ ** แสดงว่าก่อนจะเป็น pn มีการนอมอลไลนข้อมูลมาก่อนแล้ว

ล่างจากนี้ไว้พลอตกราฟโชว์
e = t - y;
perf  = mae(e);   %   mean absolute error performance
perf2 = mse(e)  %   mean squared error performance

n = size(t,2);

figure(10);
plot(1:n,t,1:n,y);
ylabel('Export rice [per kilo-ton]');
grid

figure(20);
ap = 100*(t-y)./t;  %   percentage error
plot(1:n,ap);
ylabel('Percentage Error');
grid