好贵啊。。。

%===============自定义空网络 包括1个输入，1层==================
net=network;
net.numInputs=1;                         %输入矢量的个数。
net.numLayers=1;                          %层数

%===============整体设计，包括各层是否有阀值、各层与输入层的连接情况、各层（不含输入层下同）之间的连接，各层输出是否有目标矢%量，==================
net.biasConnect=[1];                    %第一层有阀值。
net.inputConnect=[1];                   %第一层都要接收第一个输入矢量，第一层接受第二个输入矢量。
net.layerConnect=[0 ];             %[0 1;0 0]与[0 0 ;1 0]是一样的。第一层和第一层不连，第一层和第二层不连，第二层和第一层连
net.targetConnect=[1];                  %第 1 层神经元产生的输出具有目标矢量
net.outputConnect=[1];                  %表示第 1 层神经元产生网络的输出

%================定义输入层（本例只有一个输入，但size为2，是因为还有个输入是阀值输入。range含两个矢量同理=================
net.inputs{1}.size=2;                    %定义输入矢量的维数。
net.inputs{1}.range=[-1 1; -1 1 ];       %输入层的输入范围。第一个输入为阀值范围[-1 -1]，

%======1==========定义第一层的神经元数，第一层的拓扑函数，初始化函数，净输入求和函数，转移函数=================
net.layers{1}.size=2;
net.layers{1}.dimensions=[2 1];       %该属性定义每层神经元在多维空间中排列时各维的维数也可为net.layers{1}.dimensions=[1 2];
net.layers{1}.topologyFcn='hextop';  %该属性定义了每层神经元在多维空间中分布的拓扑函数
net.layers{1}.initFcn='initwb';
net.layers{1}.netInputFcn='netsum';
net.layers{1}.transferFcn='hardlim';

%======1===========定义第一层的阀值初始化函数，学习时是否调整阀值，阀值学习函数====================
net.biases{1}.initFcn='initzero';    %阀值的初始化函数
net.biases{1}.learn=[1];             %阀值在学习过程中是否调整。
net.biases{1}.learnFcn='learnp';     %阀值的学习函数

%======1============定义第一层权值的延迟时间，初始化函数，学习时是否调整权值，学习函数，权值的加权函数===================
net.inputWeights{1}.delays=0;           %各输入延迟数
net.inputWeights{1}.initFcn='initzero';  %输入权值的初始化函数
net.inputWeights{1}.learn=1;           %权值在学习过程中是否调整
net.inputWeights{1}.learnFcn='learnp';   %输入权值的学习函数
net.inputWeights{1}.weightFcn='dotprod';  %该属性定义了输入权值的加权函数

net.adaptFcn='trains';                    %定义了网络的自适应调整函数
net.initFcn='initlay';                    %该属性定义了网络的初始化函数
net.performFcn='mae';                     %网络输出误差的性能函数
net.trainFcn='trainc';                   %该属性定义了网络的训练函数


net=init(net);

p=[0.1 0.7 0.8 0.8 1.0 0.3 0.0 -0.3 -0.5 -1.5;1.2 1.8 1.6 0.6 0.8 0.5 0.2 0.8 -1.5 -1.3];         
t=[1 1 1 0 0 1 1 1 0 0; 0 0 0 0 0 1 1 1 1 1];
                                    %net.trainParam.epochs=18;==================
net=train(net,p,t);
handle=plotpc(net.iw{1},net.b{1});       %同时返回    输入和目标函数图像。
y=sim(net,p);                            %仿真
figure;
plotpv(p,y);
handle=plotpc(net.iw{1},net.b{1},handle);

我也想要这个啊 我做毕业论文用到BP神经网络 跟楼主说的差不多啊 是根据训练样本 先进行网络训练 之后根据训练好的网络 进行后期的预测 主要是用于财务业绩预测的

太谢谢你了哈，我先收着

看不懂。。。。。。。

我也需要