上一遍写到了，公式，或者是一下关于BP神经网络的内容的语言描述。下面就要开始，进行深度点的分析。
一下是matlab程序。多验证下，结合视频和文本资料，可以对BP神经网络有一个新的认识。
clc
clear
%P=-1:0.1:1;
%T=[-0.96 -0.577 -0.0729 0.377 0.641 0.66 0.461 0.1336 -0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072...
% 0.396 0.3449 0.1816 -0.0312 -0.2183 -0.3201];
P=linspace(0.5,0.6,21); % 前两个是起始，最后是份数。
x1=0:pi/40:0.5*pi;
T=0.99*sin(x1);
%plot (P,T,'r+');
%for w=1:10
net = newff (minmax(P),[4,1],{'logsig','purelin'},'traingdx');
%net = newff (minmax(P),[1,4,1],{'logsig','tansig','purelin'},'traingdx'); %双隐层结构
%net = newcf (minmax(P),[1,5,1],{'logsig','tansig','purelin'},'traingdx');
%newcf这个性能更好。建立的神经网络不一样。
net.trainParam.epochs=20000;%训练的最大次数
net.trainParam.goal=0.0002;%训练的最小均方误差
net.trainParam.lr=0.05;%学习率
[net,tr]=train(net,P,T);
Y=sim(net,P);
plot(P,Y,'r-')
hold
plot(P,T,'r+');
hold off;
%pause (1);
%figure;
%w=w+1;
%V1(1:4,w) = net.iw{1,1};%输入层到中间层的权值
%b1(1:4,w) = net.b{1,1};%中间层的阈值
%W1(w,1:4) = net.lw{2,1};%中间层到输出层的权值
%b2(w,1:4) = net.b{2,1};%输出层的阈值
V1 = net.iw{1,1}
b1 = net.b{1,1}
W1 = net.lw{2,1}
b2 = net.b{2,1}
%end
%iw(1, j ) 表示第 j 个输入矢量在输入层和隐含层中的权值。
%lw(2,1) ：第 1 个输入矢量在隐含层和输出层中的权值。。。。
这个是我在验证过程中，使用的例子。这个例子是直接调用了，matlab的神经网络函数。通过这个例子，你可以更好的理解，神经网络。matlab自带的神经网络函数很多。可以感受一下，不同的神经网络有什么样的不同。结合文本资料，体会的就更深入。
newcf 创建级联前向网络
newff 创建前向BP网络
newffd 创建存在输入延迟的前向网络
传递函数：
logsig S型的对数函数
dlogsig logsig的导函数
tansig S型的正切函数
dtansig tansig的导函数
purelin 纯线性函数
dpurelin purelin的导函数
学习函数：
learngd 基于梯度下降法的学习函数
learngdm 梯度下降动量学习函数
训练函数：
trainbrBayes 规范化BP训练函数
trainc 循环顺序渐增训练函数
traincgb Powell-Beale连接梯度BP训练函数
traincgf Fletcher-Powell连接梯度BP训练函数
traincgp Polak-Ribiere连接梯度BP训练函数
traingda 自适应lrBP的梯度递减训练函数
traingdx 动量及自适应lrBP的梯度递减训练函数
trainlm Levenberg-Marquardt BP训练函数
trainoss 一步正切BP训练函数
trainr 随机顺序递增更新训练函数
trainrp 带反弹的BP训练函数
trains 顺序递增BP训练函数
trainscg 量化连接梯度BP训练函数
性能函数：
mse 均方误差函数
msereg 均方误差规范化函数
显示函数：
plotperf 绘制网络的性能
plotes 绘制一个单独神经元的误差曲面
plotep 绘制权值和阈值在误差曲面的位置
errsurf 计算单个神经元的误差曲面
这里是一些，对应的matlab函数。
有一些论文表示，
从一个论文里面，隐层节点数的估计是， 
目前我所查找到的资料，这个是用的最普遍的。（但都是统计学而已。并没有精确的理论推理和验证）
对应这个结论，我做了一下的一些测试。（大部分用的都是上面的matlab程序）
这里我就不一张一张的贴出来，我测试的内容了。
因为我做的测试很多。不好这么麻烦的贴出来。
总结：
中间层是5这个是newcf最好的情况。
中间层是 4 这个是newff最好的情况。
但是如果中间层是21，或者是31的话，中间层愈多越快。10秒钟就可以收敛。（和学习率有关，但是关系不大）
有论文说，隐层多也会使收敛的时间长（目前测试不出来）
对应学习率的测试：
0.03是5363次。 0.05是5006次。0.06是5559次。0.1是5908次（不同情况下，相同情况的迭代次数也不一样）
0.04是5290次（第二次5849）。
还有很多都是贴图的。就不在这里贴出来了。因为这里涉及到，随机初始点的随机性。也会影响结果。我记得我还测试了其他的数据。暂时找不到了。
关于隐层有几层的问题，其他论文的数据都是3层最合适。就是说只有1个隐层。但是少量的数据显示2个隐层也可以。输入数据归一化。
据查到是资料表示，BP神经网络是需要很多经验性的东西。可是到目前为止，测试的情况来看，我还没有分析到任何可靠的经验。
也就没有什么所谓的经验可以说了。
本人能力有限，但是我努力学的更好，分享的更多。只能做到这些了。我会继续努力的。