神经网络，指定为网络对象。

例子:net = feedforwardnet（10）;

神经网络目标值，指定为数值的矩阵或小区数组。网络目标值定义所需的输出，并且可以指定为一个N.——- - - - - -问：矩阵问：N.元素向量，或者anM.——- - - - - -TS.单元格数组，其中每个元素是倪——- - - - - -问：矩阵。在每个案例中，N.或倪指示矢量长度，问：样本的数量，M.具有多个输出的神经网络的信号数量，以及TS.是时间序列数据的时间次数。目标必须有相同的尺寸输出．

目标矩阵的列由所有的零和一个1组成，在这个列向量表示的类的位置上。当N = 1时，软件使用交叉熵进行二进制编码，否则使用交叉熵进行1- N编码。南值允许指示未知或不关心的输出值。表现南忽略目标值。

数据类型：双|细胞

神经网络输出值，指定为数值的矩阵或小区数组。网络输出值可以指定为一个N.——- - - - - -问：矩阵问：N.元素向量，或者anM.——- - - - - -TS.单元格数组，其中每个元素是倪——- - - - - -问：矩阵。在每个案例中，N.或倪指示矢量长度，问：样本的数量，M.具有多个输出和的神经网络的信号数TS.是时间序列数据的时间次数。输出必须有相同的尺寸目标．

输出可以包括南表示未知的输出值，可能是由于南输入值（也表示未知或不关心值）。表现南输出值被忽略。

一般情况(N>=2):输出矩阵的列表示类隶属度的估计，求和为1。你可以使用softmax.传递函数以产生此类输出值。用patternnet要创建已设置的网络以使用具有SoftMax输出层的跨熵性能。

数据类型：双|细胞

性能权重，指定为数字值的向量或单元格数组。性能权重是定义与每个目标值相关联的每个性能值的重要性，使用0到1之间的值0到1之间的值为0表示要忽略的目标，1表示以正常的重要性处理的目标。0和1之间的值允许以相对重要性处理的目标。

性能权重有很多用途。它们有助于对分类问题，以指示哪些分类（或错误分类）具有相对更大的福利（或成本）。它们可以在时间序列问题上有用，其中在某个时间步骤中获得正确的输出，例如最后一次步骤，比其他时间更重要。性能重量也可用于鼓励神经网络到最佳拟合样本，其目标是最准确的，同时对已知较低的目标的重要性不太重要。

完善的重量可以有相同的尺寸目标和输出．或者，性能权重的每个维度都可以与的维度匹配目标和输出，或为1。例如,如果目标是一个N.——- - - - - -问：矩阵定义问：的样本N.-元素向量，则性能权重可以为N.——- - - - - -问：表示每个目标值的不同重要性，或N.——- - - - - -1为目标的每一行定义不同的重要性，或1——- - - - - -问：表示每个样本的不同重要性，或者是标量1（即1-by-1），表示对所有目标值相同的重要性。

同样，如果输出和目标是矩阵的细胞阵列完善的重量可能是一个相同大小的单元阵列,一行单元阵列(指示每个时间步)的相对重要性,一列单元阵列(表示每个神经网络输出的相对重要性),或一个细胞一个矩阵的数组或矩阵(这两种情况下表明所有矩阵都有相同的重要性值)。

对于任何问题，a完善的重量的价值{1}(默认值)或标量1表示所有性能具有同等重要性。

数据类型：双|细胞