使用matlab训练神经网络模型用于估计电池健康状态（回归问题，训练集数量167，4输入1输出），各训练函数效果对比
使用雅可比导数的反向传播训练函数
这些算法可能比梯度反向传播更快，但需要更多的内存。GPU硬件也不支持它们。
trainlm Levenberg-Marquardt反向传播。
trainbr 贝叶斯调节反向传播。
使用梯度导数的反向传播训练函数
这些算法可能没有雅可比反向传播那么快。它们在带有并行计算工具箱的GPU硬件上得到支持。
trainbfg-BFGS准牛顿反向传播。
traincgb-Powell Beale重新启动共轭梯度反向传播。
traincgf-使用Fletcher Reeves更新的共轭梯度反向传播。
traincgp-使用Polak Ribiere更新的共轭梯度反向传播。
traingd-梯度下降反向传播。
traingda-具有自适应lr反向传播的梯度下降。
traingdm-有动量的梯度下降。
traingdx-梯度下降w/动量和自适应lr反向传播。
trainoss-一步割线反向传播。
trainrp-RPROP反向传播。
trainscg-标度共轭梯度反向传播。
监督权重/偏差训练功能
trainb-使用权重和偏差学习规则进行批量训练。
trainc-循环顺序权重/偏差训练。
trainr-随机顺序权重/偏差训练。
trains-顺序顺序权重/偏差训练。
无监督的重量/偏差训练功能
trainbu-使用权重和偏差学习规则的无监督批量训练。
trainru-无监督随机顺序权重/偏差训练。
Elman下训练效果
trainlm：迭代次数少，能够达到MSE最优，但过拟合，测试集偏差较大
traingdx：速度快，不能达到MSE最优，但不会出现过拟合，偏差比较均衡
trainbfg：迭代次数多，速度慢，不能达到MSE最优，测试集部分点偏差较大
traincgb：速度快，不能达到MSE最优，但不会出现过拟合，精度比traingdx高
traincgf：速度快，不能达到MSE最优，测试集部分点偏差较大
traincgp：速度快，不能达到MSE最优，测试集部分点偏差较大
traingd：偏差较大
traingda：速度快，精度比traingdx稍差
traingdm：偏差较大
trainoss：速度快，不能达到MSE最优，但不会出现过拟合，精度比traingdx高，类似traincgb
trainrp：速度快，不能达到MSE最优，测试集偏差较大，总体精度比traingdx高
trainscg：速度快，不能达到MSE最优，测试集偏差较大，总体精度比traingdx略高
trainb：下降较慢，偏差较大
trainc：下降较慢，偏差与traingdx类似
trainr：下降较慢，偏差与traingdx类似
trains：偏差较大
总结
考虑使用traincgb函数训练，使用正则化方法（early stopping、交叉验证和集成学习等方法）优化测试集效果
