根据Levenberg-Marquardt优化更新重量和偏置值。Levenberg-Marquardt培训通常是最快的训练算法，尽管它确实需要比其他技术更多的记忆力。

为了实现此算法，神经网拟合应用使用Trainlm功能。

贝叶斯正则化根据Levenberg-Marquardt优化更新重量和偏置值。然后，它最大程度地减少了平方误和权重的组合，并确定正确的组合，以产生良好的网络。该算法通常需要更长的时间，但善于推广到嘈杂或小型数据集。

为了实现此算法，神经网拟合应用使用火车功能。

缩放结合梯度反向传播

缩放的共轭梯度反向传播根据缩放的共轭梯度方法更新重量和偏置值。对于大问题，建议使用缩放的共轭梯度，因为它使用的梯度计算比Levenberg-Marquardt或Bayesian正则化的Jacobian计算更有效。

为了实现此算法，神经网拟合应用使用Trainscg功能。