matlab脚本程序实例源码：

clear;
clc;

%一个简单的BP网络拟合问题
%训练样本的生成
X=-1:0.1:1;  %X为输入 这里是在[-1 1]区间内以0.1为步进值（相邻两数的差值）生成的21组数据，用来表示该网络的输入
D=[-0.9602 -0.5770 -0.0729 0.3771 0.6405 0.6600 0.4609...
    0.1336 -0.2013 -0.4344 -0.5000 -0.3930 -0.1647 -.0988...
    0.3072 0.3960 0.3449 0.1816 -0.312 -0.2189 -0.3201];  %D为X每一项数据对应的输出（实际x对应的实际y值）

figure;  %创建一个新窗口
plot(X,D,'+'); %绘制原始数据分布图

%创建网络
net = newff([-1 1],[5 1],{'tansig','tansig'}); %newff:前馈网络创建函数，即创建一个前馈神经网络net

%设置训练参数
net.trainParam.epochs = 100; %设定训练的最大次数
net.trainParam.goal = 0.005; %设定全局最小误差，此处为mse：均方误差（mean squared error）

%训练网络
net = train(net,X,D); %网络学习函数

%仿真
O = sim(net,X);

%作出拟合图形
figure; 
plot(X,D,'*',X,O); %绘制训练后得到的结果和误差曲线
V = net.iw{1,1}%输入层到中间层权值
theta1 = net.b{1}%中间层各神经元阈值
W = net.lw{2,1}%中间层到输出层权值
theta2 = net.b{2}%输出层各神经元阈值
 

运行结果：

MATLAB神经网络训练结果各参数解释：

如上图形显示的是神经网络的结构图，可知有一个隐层一个输出层

第二部分显示的是训练算法，这里为学习率自适应的梯度下降BP算法；误差指标为MSE

第三部分显示训练进度：

Epoch：训练次数；在其右边显示的是最大的训练次数，可以设定，上面例子中设为100；而进度条中显示的是实际训练的次数，上面例子中实际训练次数为7次。

Time：训练时间，也就是本次训练中，使用的时间

Performance：性能指；进度条中显示的是当前的均方误差；进度条右边显示的是设定的均方误差(如果当前的均方误差小于设定值，则停止训练)，这个指标可以用用.trainParam.goal参数设定。

Gradiengt：梯度；进度条中显示的当前的梯度值，其右边显示的是设定的梯度值。如果当前的梯度值达到了设定值，则停止训练。

validation check为泛化能力检查（若连续6次训练误差不降反升，则强行结束训练）

第四部分为作图。分别点击三个按钮能看到误差变化曲线，分别用于绘制当前神经网络的性能图，训练状态和回归分析。

参考：https://www.cnblogs.com/litthorse/p/7636839.html