用MATLAB训练BP神经网络显示未定义与 'struct' 类型的输入参数相对应的函数 'train'。

一下是我根据网课学习写的代码，18x5x1的三层BP神经网络，隐层神经元的激励函数为S型正切函数tansig。选取S型对数函数tansig作为输出层神经元的激励函数。win10 64位 matlab2019b
clear all
clc
p_train=[0.012 0.025 0.036 0.042 0.021 0.026 0.069 0.012 0.085 0.163 0.142 0.056 0.046 0.028 0.046 0.210 0.060 0.030;
    0.035 0.056 0.190 0.042 0.063 0.142 0.036 0.058 0.020 0.042 0.063 0.075 0.009 0.062 0.075 0.001 0.065 0.040;
    0.156 0.264 0.036 0.021 0.032 0.084 0.056 0.035 0.162 0.082 0.046 0.156 0.025 0.261 0.042 0.260 0.321 0.005;
    0.036 0.058 0.042 0.159 0.056 0.283 0.052 0.041 0.056 0.041 0.056 0.025 0.052 0.251 0.036 0.230 0.123 0.023;
    0.009 0.352 0.042 0.258 0.056 0.025 0.023 0.256 0.012 0.039 0.125 0.321 0.052 0.019 0.022 0.213 0.125 0.023;
    0.026 0.036 0.001 0.063 0.265 0.021 0.156 0.021 0.036 0.021 0.036 0.060 0.250 0.125 0.021 0.002 0.321 0.123;
    0.125 0.062 0.021 0.265 0.023 0.036 0.120 0.005 0.062 0.046 0.021 0.054 0.021 0.002 0.123 0.123 0.032 0.021;
    0.001 0.026 0.062 0.321 0.052 0.062 0.021 0.052 0.042 0.001 0.054 0.042 0.052 0.420 0.062 0.032 0.052 0.042;
    0.002 0.123 0.020 0.251 0.260 0.062 0.062 0.020 0.336 0.006 0.024 0.052 0.063 0.006 0.210 0.123 0.023 0.222;
    0.040 0.030 0.123 0.060 0.120 0.230 0.152 0.063 0.050 0.230 0.020 0.132 0.002 0.140 0.200 0.006 0.253 0.066];
t_train=[0.123 0.230 0.210 0.006 0.250 0.212 0.414 0.216 0.006 0.125];
p_test=[0.023 0.058 0.125 0.013 0.154 0.064 0.018 0.046 0.125 0.035 0.030 0.033 0.164 0.027 0.016 0.037 0.017 0.015];
t_test=[0.067];
%%
newff(p_train,t_train,[5,1],{'tansig','tansig','tansig'},'traingdx')
%%
net.trainParam.epochs=500;
net.trainParam.goal=0.005;
net.trainParam.ir=0.001;
%%
net=train(net,p_train,t_train);
%[net,tr]=train(net,p_train,t_train);

仅供参考

1. clear all
   
2. clc
   
3. p_train=[0.012 0.025 0.036 0.042 0.021 0.026 0.069 0.012 0.085 0.163 0.142 0.056 0.046 0.028 0.046 0.210 0.060 0.030;
   
4.     0.035 0.056 0.190 0.042 0.063 0.142 0.036 0.058 0.020 0.042 0.063 0.075 0.009 0.062 0.075 0.001 0.065 0.040;
   
5.     0.156 0.264 0.036 0.021 0.032 0.084 0.056 0.035 0.162 0.082 0.046 0.156 0.025 0.261 0.042 0.260 0.321 0.005;
   
6.     0.036 0.058 0.042 0.159 0.056 0.283 0.052 0.041 0.056 0.041 0.056 0.025 0.052 0.251 0.036 0.230 0.123 0.023;
   
7.     0.009 0.352 0.042 0.258 0.056 0.025 0.023 0.256 0.012 0.039 0.125 0.321 0.052 0.019 0.022 0.213 0.125 0.023;
   
8.     0.026 0.036 0.001 0.063 0.265 0.021 0.156 0.021 0.036 0.021 0.036 0.060 0.250 0.125 0.021 0.002 0.321 0.123;
   
9.     0.125 0.062 0.021 0.265 0.023 0.036 0.120 0.005 0.062 0.046 0.021 0.054 0.021 0.002 0.123 0.123 0.032 0.021;
   
10.     0.001 0.026 0.062 0.321 0.052 0.062 0.021 0.052 0.042 0.001 0.054 0.042 0.052 0.420 0.062 0.032 0.052 0.042;
    
11.     0.002 0.123 0.020 0.251 0.260 0.062 0.062 0.020 0.336 0.006 0.024 0.052 0.063 0.006 0.210 0.123 0.023 0.222;
    
12.     0.040 0.030 0.123 0.060 0.120 0.230 0.152 0.063 0.050 0.230 0.020 0.132 0.002 0.140 0.200 0.006 0.253 0.066]';
    
13. t_train=[0.123 0.230 0.210 0.006 0.250 0.212 0.414 0.216 0.006 0.125];
    
14. p_test=[0.023 0.058 0.125 0.013 0.154 0.064 0.018 0.046 0.125 0.035 0.030 0.033 0.164 0.027 0.016 0.037 0.017 0.015];
    
15. t_test=[0.067];
    
16. %%
    
17. net=newff(p_train,t_train,[5,1],{'tansig','tansig','tansig'},'traingdx')
    
18. %%
    
19. net.trainParam.epochs=500;
    
20. net.trainParam.goal=0.005;
    
21. net.trainParam.ir=0.001;
    
22. %%
    
23. net=train(net,p_train,t_train);
    
24. %[net,tr]=train(net,p_train,t_train);

复制代码

仅供参考

1. clear all
   
2. clc
   
3. p_train=[0.012 0.025 0.036 0.042 0.021 0.026 0.069 0.012 0.085 0.163 0.142 0.056 0.046 0.028 0.046 0.210 0.060 0.030;
   
4.     0.035 0.056 0.190 0.042 0.063 0.142 0.036 0.058 0.020 0.042 0.063 0.075 0.009 0.062 0.075 0.001 0.065 0.040;
   
5.     0.156 0.264 0.036 0.021 0.032 0.084 0.056 0.035 0.162 0.082 0.046 0.156 0.025 0.261 0.042 0.260 0.321 0.005;
   
6.     0.036 0.058 0.042 0.159 0.056 0.283 0.052 0.041 0.056 0.041 0.056 0.025 0.052 0.251 0.036 0.230 0.123 0.023;
   
7.     0.009 0.352 0.042 0.258 0.056 0.025 0.023 0.256 0.012 0.039 0.125 0.321 0.052 0.019 0.022 0.213 0.125 0.023;
   
8.     0.026 0.036 0.001 0.063 0.265 0.021 0.156 0.021 0.036 0.021 0.036 0.060 0.250 0.125 0.021 0.002 0.321 0.123;
   
9.     0.125 0.062 0.021 0.265 0.023 0.036 0.120 0.005 0.062 0.046 0.021 0.054 0.021 0.002 0.123 0.123 0.032 0.021;
   
10.     0.001 0.026 0.062 0.321 0.052 0.062 0.021 0.052 0.042 0.001 0.054 0.042 0.052 0.420 0.062 0.032 0.052 0.042;
    
11.     0.002 0.123 0.020 0.251 0.260 0.062 0.062 0.020 0.336 0.006 0.024 0.052 0.063 0.006 0.210 0.123 0.023 0.222;
    
12.     0.040 0.030 0.123 0.060 0.120 0.230 0.152 0.063 0.050 0.230 0.020 0.132 0.002 0.140 0.200 0.006 0.253 0.066]';
    
13. t_train=[0.123 0.230 0.210 0.006 0.250 0.212 0.414 0.216 0.006 0.125];
    
14. p_test=[0.023 0.058 0.125 0.013 0.154 0.064 0.018 0.046 0.125 0.035 0.030 0.033 0.164 0.027 0.016 0.037 0.017 0.015];
    
15. t_test=[0.067];
    
16. %%
    
17. net=newff(p_train,t_train,[5,1],{'tansig','tansig','tansig'},'traingdx')
    
18. %%
    
19. net.trainParam.epochs=500;
    
20. net.trainParam.goal=0.005;
    
21. net.trainParam.ir=0.001;
    
22. %%
    
23. net=train(net,p_train,t_train);
    
24. %[net,tr]=train(net,p_train,t_train);

复制代码

20141303 发表于 2020-4-7 18:14
仅供参考

感谢您的回复，请问现在又出现这个状况是怎么回事。

警告: 'ir' is not a legal parameter.
> In nntest.param>do_test (line 63)
  In nntest.param (line 6)
  In network.subsasgn>setTrainParam (line 2031)
  In network.subsasgn>network_subsasgn (line 490)
  In network/subsasgn (line 14)
>>

齐不闻 发表于 2020-4-8 09:48
感谢您的回复，请问现在又出现这个状况是怎么回事。

警告: 'ir' is not a legal parameter.

请问下解决了吗，还有请问下出现这种问题的原因是是什么呢，谢谢你啦