根据Levenberg-Marquardt优化更新权重和偏差值。Levenberg-Marquardt训练通常是最快的训练算法，尽管它确实比其他技术需要更多的记忆。

为了实现这个算法，神经网络拟合应用程序使用trainlm函数。

贝叶斯正则化根据Levenberg-Marquardt优化更新权重和偏差值。然后，它将平方误差和权值的组合最小化，并确定正确的组合，从而产生一个泛化良好的网络。这种算法通常需要更长的时间，但擅长泛化到噪声或小数据集。

为了实现这个算法，神经网络拟合应用程序使用trainbr函数。

缩放共轭梯度反向传播

缩放共轭梯度反向传播根据缩放共轭梯度法更新权值和偏差值。对于大问题，推荐使用比例共轭梯度，因为它使用梯度计算，比Levenberg-Marquardt或贝叶斯正则化使用的雅可比计算更有内存效率。

为了实现这个算法，神经网络拟合应用程序使用trainscg函数。