神经网络算法，其本质其实是一种有向图。从输入层通过节点（神经元）的加权输入到下一层节点，直到输出层。
可以参考知乎上的科普版神经网络
下面所采用的编程语言是matlab
步骤如下所示：
1、读取训练数据，并对其进行归一化
2、构造期望的输出值
3、创建神经网络，并设置训练参数
4、基于训练数据对神经网络进行训练
5、读取测试数据，并对其进行归一化
6、进行仿真
7、统计正确的识别率
将Iris数据集分为2组，每组各75个样本，每组中每种花各有25个样本。其中一组作为以上程序的训练样本，另外一组作为检验样本。为了方便训练，将3类花分别编号为1，2，3 。使用这些数据训练一个4输入（分别对应4个特征），3输出（分别对应该样本属于某一品种的可能性大小）的前向网络。
clc;
clear all;
%读取训练数据
[f1,f2,f3,f4,class] = textread('trainData.txt' , '%f%f%f%f%f',150);
//If N is specified, the format string is reused N times. If N is -1 (or
//not specified) TEXTREAD reads the entire file.
//该训练数据针对的是3层的神经网络
//特征值归一化。
[input,minI,maxI] = premnmx( [f1 , f2 , f3 , f4 ]');
//用于将网络的输入数据或输出数据进行归一化，此处是将输入数据进行归一化！
//[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)
//其中P，T分别为原始输入和输出数据，minp和maxp分别为P中的最小值和最大值。
//mint和maxt分别为T的最小值和最大值。
//此时的minI= min([f1 , f2 , f3 , f4 ]',[],2)
//此时的max =max([f1 , f2 , f3 , f4 ]',[],2)
//训练网络时如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数据
//也应该和样本数据接受相同的预处理，这就要用到tramnmx。在下面可以看到其使用情况
//
//构造输出矩阵
s = length( class ) ;
output = zeros( s , 3 );%所期望的输出值
for i = 1 : s
output( i , class( i ) ) = 1 ;
end
//创建神经网络（feed-forward backpropagation network）
net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx' ) ;
//第1层有10个神经元，第2层有3个神经元，所属层对应的传输函数分别为'logsig' 'purelin'
//net=newff(PR,[S1 S2 ...SN],{TF1 TF2...TFN},BTF,BLF,PF）
// PR：Rx2的矩阵以定义R个输入向量的最小值和最大值；
//Si：第i层神经元个数；
// TFi：第i层的传递函数，对于隐含层默认函数为tansig函数；对于输出层则为 'purelin'
//可选：TANSIG, LOGSIG, or PURELIN
// BTF：训练函数，默认函数为trainlm函数；可选：TRAINLM, TRAINBFG, TRAINRP, TRAINGD
// BLF：权值/阀值学习函数，默认函数为learngdm函数；
// PF：性能函数，默认函数为mse函数。
// minmax(input)求解每个行向量中最小值和最大值,返回值第1列为所对应行的最小值，第二列为所对应行的最大值。
%设置训练参数
net.trainparam.show = 50 ;//设置数据显示刷新频率，学习次刷新一次图象。显示训练迭代过程
net.trainparam.epochs = 500 ;//设置训练次数
net.trainparam.goal = 0.01 ;//设置训练的目标结果，训练精度
net.trainParam.lr = 0.01 ;//学习速率
//lr为反向修正时候的步长参数，这个参数越大，网络每次修正的值越大,
// 收敛快，网络最终结果可能差，小，每次修正的值越小，收敛慢，
// 但是网络最终的结果可能比较好
%开始训练
net = train( net, input , output' ) ;
%读取测试数据
[t1 t2 t3 t4 c] = textread('testData.txt' , '%f%f%f%f%f',150);
%测试数据归一化
testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ) ;
// [Pn]=tramnmx(P,minp,maxp)
//其中P和Pn分别为变换前、后的输入数据，
//maxp和minp分别为premnmx函数找到的最大值和最小值。
%%
%仿真
Y = sim( net , testInput )
//统计识别正确率
[s1 , s2] = size( Y ) ;
hitNum = 0 ;
for i = 1 : s2
[m , Index] = max( Y( : , i ) ) ;
if( Index == c(i) )
hitNum = hitNum + 1 ; %当最大值所在的行数与c(i)相等时，即为正确值
// if(Index>1)
// disp(Index);
// end
end
end
sprintf('识别率是 %3.3f%%',100 * hitNum / s2 )
