现给出一药品商店一年当中12个月的药品销售量（单位：箱）如下：2056 2395 2600 2298 1634 1600 1873 1487 1900 1500 2046 1556，训练一个BP网络，用当前的所有数据预测下一个月的药品销售量。

分析：

    用前三个月的销售量预测下一个月的销售量，即用1-3月的销售量预测第4个月的销售量，用2-4个月的销售量预测第5个月的销售量，如此循环下去，直到用9-11月预测12月份的销售量。这样训练BP神经网络后，就可以用10-12月的数据预测来年一月的销售量。

matlab实现：（在matlab中新建一个Script，写入如下代码）

P =[2056 2395 2600;2395 2600 2298;2600 2298 1634;2298 1634 1600;

1634 1600 1873;1600 1873 1478;1873 1478 1900;1478 1900 1500;

1900 1500 2046;]; %输入样本矩阵

T = [2298 1634 1600 1873 1478 1900 1500 2046 1556]; %期望输出

%归一化处理

pmax = max(P); %找出样本中每一列的最大值

pmax1 = max(pmax); %找出样本的最大值

pmin = min(P);

pmin1 = min(pmin);

for i=1:9

P1(i,:)=(P(i,:)-pmin1)/(pmax1-pmin1); %将样本每一行都归一化

T1(i)=(T(i)-pmin1)/(pmax1-pmin1);

End

%创建BP神经网络

net = newff(P1\',T1,[3 7],{\'tansig\' \'logsig\'},\'traingd\'); %注意newff()的参数

%设置最大迭代次数、误差精度、学习速率，依次训练每一个样本

for i = 1:9

net.trainParam.epochs = 15000;

net.trainParam.goal=0.01;

net.trainParam.lr = 0.1

net = train(net,P1(i,:)\',T1(i));

end

y=sim(net,[1500 2046 1556]\'); %训练结束后，根据样本进行预测

y1=y*(pmax1-pmin1)+pmin1; %预测结果归一化

%仿真结束

结果：

对比学习速率为0.01和0.1的仿真结果：

    由于每次初始化网络的随机值不同，因此仿真可能得到不同的结果。可以看出学习速率越小，训练时间越长，迭代次数越多，

注意：

newff() 函数

(1) 功能：建立BP网络

(2) 参数：4个参数依次是：

第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值。

第二个参数设定每层神经元个数。

第三个参数包含每层用到的传递函数名称。

最后一个参数是用到的训练函数的名称。

如：net=newff([-1 2; 0 5],[3,1],{\'tansig\',\'purelin\'},\'traingd\');

    这个命令创建了一个BP网络，它的输入是两个元素的向量，第一个元素的范围是-1到2，第二个元素的范围是0到5；网络第一层有3个神经元，第二层有1个神经元；第一层的传递函数是tan-sigmoid，输出层的传递函数是线性的；输入向量的训练函数是traingd，标准梯度下降算法。