您可以创建一个使用的标准网络trainrp与feedforwardnet或者cascadeforwardnet.．

准备自定义网络培训trainrp，

在任何一种情况下，呼叫火车使用生成的网络培训网络trainrp．

多层网络通常在隐藏层中使用Sigmoid传输函数。这些功能通常被称为“压缩”函数，因为它们将一个无限的输入范围压缩到一个有限的输出范围。s型函数的特点是，当输入变大时，其斜率必须趋近于零。当你使用最陡下降法用s形函数训练多层网络时，这就产生了一个问题，因为梯度的大小非常小，因此会导致权重和偏差的微小变化，即使权重和偏差离最优值很远。

弹性反向衰退（RPROP）训练算法的目的是消除部分衍生物的大小的这些有害影响。只有衍生品的标志可以确定重量更新的方向;衍生物的大小对重量更新没有影响。重量变化的大小由单独的更新值确定。每个重量和偏置的更新值增加了一个因素delt_inc.每当两个连续迭代的性能函数的导数相对于该权重具有相同的符号。更新值减少了一个因素delt_dec.当对权重的导数改变符号时。如果导数为零，则更新值保持不变。当权值振荡时，权值变化减小。如果权重在几次迭代中继续沿同一方向变化，则权重变化的幅度会增加。Rprop算法的完整描述见[RIBR93.]。

以下代码重新创建先前的网络并使用RPROP算法列车。训练参数trainrp是时代，显示，目标，时间，min_grad，max_fail.，delt_inc.，delt_dec.，Delta0.， 和Deltamax.．前八个参数已在前面讨论过。最后两个是初始步长和最大步长，分别。Rprop的性能对训练参数的设置不是很敏感。对于下面的例子，训练参数保持默认值:

P = [-1 -1 2 2;0 5 0 5];T = [-1 -1 1 1];网= feedforwardnet (3 ' trainrp ');网=火车(净、p、t);y =净(p)

rprop通常比标准的最速下降算法快得多。它还具有一个很好的特性，即只需要适度增加内存需求。你需要存储每个权重和偏差的更新值，这相当于存储梯度。