A. 如何用matlab训练神经网络
MATLAB2016之后的版本都带着机器学习的开发包，你可以直接调用，只需要设置参数就ok，做一些前期的数据处理就ok了
B. matlab 神经网络一直训练不好。
归一化：使用Matlab自带的mapminmax函数。
mapminmax按行逐行地对数据进行标准化处理，将每一行数据分别标准化到区间[ymin, ymax]内，其计算公式是：y = (ymax-ymin)*(x-xmin)/(xmax-xmin) + ymin。如果某行的数据全部相同，此时xmax=xmin，除数为0，则Matlab内部将此变换变为y = ymin。
(1) [Y,PS] = mapminmax(X,YMIN,YMAX)——将数据X归一化到区间[YMIN,YMAX]内，YMIN和YMAX为调用mapminmax函数时设置的参数，如果不设置这两个参数，这默认归一化到区间[-1, 1]内。标准化处理后的数据为Y，PS为记录标准化映射的结构体。
【例1】Matlab命令窗口输入：X=12+8*randn(6,8); [Y,PS] = mapminmax(X,0,1)，则将随机数矩阵X按行逐行标准化到区间[0,1]内，并返回标准矩阵Y和结构体PS（至于它的作用，将在后面介绍到），它记录了X的行数、X中各行的最大值与最小值等信息。这里：
PS =
name: 'mapminmax'
xrows: 6
xmax: [6x1 double]
xmin: [6x1 double]
xrange: [6x1 double]
yrows: 6
ymax: 1
ymin: 0
yrange: 1
no_change: 0
gain: [6x1 double]
xoffset: [6x1 double]
(2) [Y,PS] = mapminmax(X,FP) ——将YMIN和YMAX组成的结构体FP作为映射参数(FP.ymin和FP.ymax.)对进行标准化处理。
【例2】Matlab命令窗口输入：XX=12+8*randn(6,8); FP.ymin=-2; FP.ymax=2; [YY,PSS] = mapminmax(XX,FP)，则将随机数矩阵X按行逐行标准化到区间[-2,2]内，并返回标准矩阵YY和结构体PSS。
(3) Y = mapminmax('apply',X,PS) ——根据已有给定的数据标准化处理映射PS，将给定的数据X标准化为Y。
【例3】在例1的基础上，Matlab命令窗口输入：XXX=23+11*randn(6,8); YYY= mapminmax('apply',XXX,PS)，则根据例1的标准化映射，将XXX标准化（结果可能不全在先前设置的[YMIN,YMAX]内，这取决于XXX中数据相对于X中数据的最大值与最小值的比较情况）。注意：此时，XXX的行数必须与X的行数（PS中已记录）相等，否则无法进行；列数可不等。
(4) X = mapminmax('reverse',Y,PS) ——根据已有给定的数据标准化处理映射PS，将给定的标准化数据Y反标准化。
【例4】在例1的基础上，Matlab命令窗口输入：YYYY=rand(6,8); XXXX = mapminmax('reverse', YYYY,PS)，则根据例1的标准化映射，将YYYY反标准化。注意：此时，YYYY的行数必须与X的行数（PS中已记录）相等，否则无法进行；列数可不等。
(5) dx_dy = mapminmax('dx_dy',X,Y,PS) ——根据给定的矩阵X、标准化矩阵Y及映射PS，获取逆向导数(reverse derivative)。如果给定的X和Y是m行n列的矩阵，那么其结果dx_dy是一个1×n结构体数组，其每个元素又是一个m×n的对角矩阵。这种用法不常用，这里不再举例。
对于另一个问题：使用sim函数来得到输出，一般来说会有误差，不可能与预计输出完全相等的。
C. 找高手教我matlab的神经网络训练
% 运用比例共轭梯度动量算法来训练 BP网络
clear all;
pause(1);
P=[0.1452 0.1466 0.1314 0.2243 0.3523 0.4642 0.5015 0.6981 0.7821 0.8345 0.9649 1.156 0.2415 0.3027 0;
0.1217 0.1581 0.1408 0.2304 0.3143 0.4312 0.5819 0.7125 0.8065 0.8647 0.9726 1.132 0.2385 0.3125 0;
0.1525 0.1627 0.1507 0.2406 0.3502 0.4636 0.5051 0.7352 0.8459 0.8915 0.9654 1.156 0.2216 0.2701 1;
0.1016 0.1105 0.1234 0.1978 0.3021 0.4232 0.5819 0.6952 0.8015 0.8725 0.9825 1.095 0.2352 0.2506 0.5;
0.1115 0.1201 0.1312 0.2019 0.3532 0.4736 0.5029 0.7032 0.8189 0.8619 0.9365 1.125 0.2542 0.3125 0;
0.1335 0.1322 0.1534 0.2214 0.3623 0.4827 0.5198 0.7276 0.8359 0.8906 0.9592 1.143 0.2601 0.3198 0;
0.1368 0.1432 0. 0.2205 0.3823 0.4971 0.5136 0.7129 0.8263 0.8953 0.9891 1.137 0.2579 0.3099 0;
0.1342 0.1368 0.1602 0.2131 0.3726 0.4822 0.5101 0.7098 0.8127 0.8921 0.9995 1.126 0.2301 0.2867 0.5;
0.1113 0.1212 0.1305 0.1819 0.3952 0.4312 0.5886 0.6898 0.7999 0.8423 0.9721 1.095 0.2234 0.2799 1;
0.1005 0.1121 0.1207 0.1605 0.3556 0.4022 0.5553 0.6673 0.7798 0.8623 0.9521 1.087 0.2314 0.2977 0]';
T=[0.1217 0.1581 0.1408 0.2304 0.3143 0.4312 0.5819 0.7125 0.8265 0.8847 0.9826 1.132;
0.1525 0.1627 0.1507 0.2406 0.3502 0.4636 0.5051 0.7352 0.8459 0.8915 0.9464 1.156;
0.1016 0.1105 0.1234 0.1978 0.3021 0.4232 0.5819 0.6952 0.8015 0.8825 0.9825 1.102;
0.1115 0.1201 0.1312 0.2019 0.3532 0.4736 0.5029 0.7032 0.8189 0.8919 0.9965 1.125;
0.1335 0.1322 0.1534 0.2214 0.3623 0.4827 0.5198 0.7276 0.8359 0.8506 0.9892 1.123;
0.1368 0.1432 0. 0.2205 0.3823 0.4971 0.5136 0.7129 0.8263 0.8953 0.9691 1.117;
0.1342 0.1368 0.1602 0.2131 0.3726 0.4822 0.5101 0.7098 0.8127 0.8921 0.9995 1.126;
0.1113 0.1212 0.1305 0.1819 0.3952 0.4312 0.5886 0.6898 0.7999 0.8323 0.9721 1.156;
0.1005 0.1121 0.1207 0.1605 0.3556 0.4022 0.5553 0.6673 0.7798 0.8623 0.9521 1.156;
0.1123 0.1257 0.1343 0.2079 0.3579 0.4716 0.5459 0.7145 0.8205 0.8901 0.9419 1.136]';
threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1];
net=newff(threshold,[32,12],{'tansig','logsig'},'trainscg','learngdm');%新建BP神经网络
net.trainParam.epochs=1000;%bp网络训练次数
net.trainParam.goal=0.002;%网络训练目标
net.trainParam.lr=0.01;%网络学习速率
[net,tr]=train(net,P,T);%训练网络
P_test=[0.1123 0.1257 0.1343 0.2079 0.3579 0.4716 0.5459 0.7145 0.8205 0.8901 0.9419 1.136 0.2317 0.2936 0]';%网络输入数据
Out=sim(net,P_test);%网络仿真
X=[0.1119 0.1215 0.1621 0.2161 0.3471 0.4639 0.5555 0.7061 0.8243 0.8923 0.9522 1.129];%实际测得数据
t=1:1:12;
box off;
grid off;
plot(t,Out,'b',t,X,'r');%画出二维图形
set(gca,'Xtick',0:1:24,'Ytick',0:.1:1.4);%设置坐标
title('基于BP网络的设备故障时间序列预测');
xlabel('时间/2小时');
ylabel('加速度/g');
text(1.5,1.2,'预测振动曲线(蓝）');
text(1.5,1.1,'实际测试曲线(红）');
D. matlab神经网络训练一般需要多少数据
只要你觉得这些数据能把握住你要解决的问题了，够这个问题的学习了，就够了。几十到上百万都是有可能的。一般数据多一些更有利于精度。
E. 谁有MATLAB学习好些的视频，尤其是神经网络的
我有，
我有，
F. 有什么基础才能学习matlab神经网络
有高等数学的知识就可以学习了。
神经网络在数学建模中的应用主要是预测与函数优化。
只不过在比赛时要谨慎使用，因为比较难。
在建模比赛时预测主要是灰色模型，求解优化模型有很多办法。
祝你在比赛中取得一个好成绩。
G. matlabR2013b中神经网络训练好后，如何进行预测
预测的时候还是将需要的参数作为输入。训练的时候不是有15组样本吗（4*15和6*15的），说明输入节点数为4，输出节点数为6。因此预测时，将用于预测的4个参数作为输入，神经网络的6个输出即为预测结果。
神经网络因其很好的函数逼近能力而被广泛应用于非线性系统建模、辨识和控制中。根据应用场合的不同,神经网络可分为静态和动态神经网络两类。静态(或前馈)神经网络没有反馈成分,也不包含输人延时,输出直接由输人通过前向网络算出;动态神经网络的输出不仅依赖当前的输人,还与当前和过去的输入、输出有关。
H. MATLAB做BP神经网络的时候训练的三个图
前者是梯度变化图，因为采用的是梯度下降法，后者是错误次数，