神经网络，指定为网络对象。

例子:网= feedforwardnet (10);

神经网络的目标值，指定为数值的矩阵或单元格数组。网络目标值定义所需的输出，并可以指定为N——- - - - - -问矩阵的问N-元素向量，或者an米——- - - - - -TS单元格数组，其中每个元素都是倪——- - - - - -问矩阵。在这些案例中，N或倪表示向量长度，问样本的数量，米具有多个输出的神经网络的信号数，和TS为时间序列数据的时间步数。目标尺寸必须和输出．

目标矩阵列由列向量表示的类的位置上的所有0和一个1组成。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。的性能南目标值被忽略。

数据类型:双|细胞

神经网络输出值，指定为数值的矩阵或单元格数组。网络输出值可以指定为N——- - - - - -问矩阵的问N-元素向量，或者an米——- - - - - -TS单元格数组，其中每个元素都是倪——- - - - - -问矩阵。在这些案例中，N或倪表示向量长度，问样本的数量，米具有多个输出和的神经网络的信号数TS为时间序列数据的时间步数。输出尺寸必须和目标．

输出可以包括南表示未知的输出值，大概是由于…而产生的南输入值(也表示未知或不关心的值)。的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的估计，和应该为1。您可以使用softmax传递函数来产生这样的输出值。使用patternnet创建已经建立的网络，使用交叉熵性能和软最大输出层。

数据类型:双|细胞

性能权重，指定为数值的向量或单元格数组。性能权重是一个可选参数，定义每个性能值的重要性，与每个目标值相关联，使用0到1之间的值。性能值为0表示要忽略目标，值为1表示要以正常重要性对待目标。0到1之间的值允许以相对重要性对待目标。

性能权重有很多用途。它们对分类问题很有帮助，可以指出哪些分类(或错误分类)有相对较大的收益(或成本)。在时间序列问题中，在某些时间步上获得正确的输出(例如最后一个时间步)比其他时间步更重要。性能权重还可以用来鼓励神经网络最好地拟合那些已知目标最准确的样本，而对已知目标不太准确的目标给予较少的重视。

perfWeights可以有相同的尺寸目标而且输出．或者，性能权重的每个维度都可以匹配的维度目标而且输出，或者为1。例如,如果目标是一个N——- - - - - -问矩阵的定义问的样本N-元素向量，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为每一行目标定义不同的重要性，或者1——- - - - - -问表示每个样本的不同重要性，或表示所有目标值的相同重要性的标量1(即1 × 1)。

类似地,如果输出而且目标单元格数组是矩阵的吗perfWeights可以是相同大小的单元格阵列、行单元格阵列(表示每个时间步的相对重要性)、列单元格阵列(表示每个神经网络输出的相对重要性)、或单个矩阵的单元格阵列或仅矩阵的单元格阵列(这两种情况都表示所有矩阵具有相同的重要性值)。

对于任何问题，aperfWeights的价值{1}(默认值)或标量1表示所有性能同等重要。

数据类型:双|细胞

网络性能，返回为(0,1)范围内的double值。