神经网络，指定为网络对象。

例子：net = feedforwardnet（10）;

神经网络目标值，指定为数字值的矩阵或单元格数组。网络目标值定义了所需的输出，可以指定为n-经过-问矩阵问n- 元素向量或m-经过-TS每个元素都是一个单元格数组你-经过-问矩阵。在每种情况下，n或者你表示向量长度，问样品数量，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步骤数。目标必须具有与输出。

目标矩阵列由该列向量表示的类位置中的所有零和一个1组成。当n = 1时，该软件将横熵用于二进制编码，否则它将横熵用于1个N编码。南允许值指示未知或不关心输出值。性能南目标值被忽略。

数据类型：双倍的|细胞

神经网络输出值，指定为数字值的矩阵或单元格数组。网络输出值可以指定为n-经过-问矩阵问n- 元素向量或m-经过-TS每个元素都是一个单元格数组你-经过-问矩阵。在每种情况下，n或者你表示向量长度，问样品数量，m具有多个输出和的神经网络信号数量TS是时间序列数据的时间步骤数。输出必须具有与目标。

输出可以包括南指示未知的输出值，大概是由于南输入值（也代表未知或未计算值）。性能南输出值被忽略。

一般情况（n> = 2）：输出矩阵的列表示类成员资格的估计，应汇总至1SoftMax传输函数以产生此类输出值。利用模式网为了创建已经设置的网络，用于使用SoftMax输出层的跨凝性性能。

数据类型：双倍的|细胞

性能权重，指定为数字值的向量或单元格数组。性能权重是一个可选的参数，使用0到1之间的值定义了与每个目标值相关联的每个性能值的重要性，0的性能值表示要忽略的目标值，1个值表示要以正常意义处理的目标。0到1之间的值允许对目标相对重要。

性能权重有很多用途。它们有助于分类问题，指出哪些分类（或错误分类）具有相对较大的好处（或成本）。它们在时间序列问题中可能很有用，在某些时间步骤中获得正确的输出（例如最后一个时间步骤）比其他时间更重要。性能权重也可以用来鼓励神经网络以最适合其目标最准确的样品，同时对靶向较少的目标的重要性较小，而目标的准确性较差。

全力可以具有与目标和输出。或者，性能权重的每个维度可以与目标和输出，或者是1。例如目标是一个n-经过-问矩阵定义问样本n- 元素向量，性能权重可以是n-经过-问表示对每个目标值的重要性不同，或n-经过-1定义针对目标的每一行的不同重要性，或1-经过-问表示对每个样本的重要性不同，或者是标量1（即1-by-1），表明对所有目标值的重要性相同。

同样，如果输出和目标是矩阵的细胞阵列，全力可以是相同大小的单元格数组，一个行电池阵列（表示每个时间步的相对重要性），列单元格数组（指示每个神经网络输出的相对重要性）或单个矩阵或单个矩阵的单元格数组或只是矩阵（两种情况都表明所有矩阵都具有相同的重要性值）。

对于任何问题，一个全力的价值{1}（默认值）或标量1表示所有性能都具有相同的重要性。

数据类型：双倍的|细胞