narxnet
（即将删除）具有外部输入的非线性自回归神经网络
以后的版本中将会删除 narxnet。有关详细信息，请参阅Transition Legacy Neural Network Code to dlnetwork Workflows。
有关更新代码的建议，请参阅版本历史记录。
说明
narxnet( 接受以下参量：inputDelays,feedbackDelays,hiddenSizes,feedbackMode,trainFcn)
由从 0 或正值开始递增的输入延迟组成的行向量，
inputDelays由从 0 或正值开始递增的反馈延迟组成的行向量，
feedbackDelays由一个或多个隐藏层大小组成的行向量，
hiddenSizes反馈的类型，
feedbackMode反向传播训练函数，
trainFcn
并返回一个 NARX 神经网络。
NARX（具有外部输入的非线性自回归）网络可以学习预测一个时间序列，前提是给定该时间序列的过去值、反馈输入和另一个称为外部（或外因）时间序列的时间序列。
示例
训练具有外部输入的非线性自回归 (NARX) 神经网络，并对新的时间序列数据进行预测。预测时间序列中的序列值也称为多步预测。闭环网络可以执行多步预测。在外部反馈缺失时，闭环网络可以继续通过使用内部反馈来进行预测。在 NARX 预测中，时间序列的将来值根据该时间序列的过去值、反馈输入和一个外部时间序列进行预测。
加载简单时间序列预测数据。
[X,T] = simpleseries_dataset;
将数据划分为训练数据 XTrain 和 TTrain，以及用于预测 XPredict 的数据。在创建闭环网络后，使用 XPredict 执行预测。
XTrain = X(1:80); TTrain = T(1:80); XPredict = X(81:100);
创建一个 NARX 网络。定义隐藏层的输入延迟、反馈延迟和大小。
net = narxnet(1:2,1:2,10);
使用 preparets 准备时间序列数据。该函数会自动移动输入和目标时间序列，使其与填充初始输入和层延迟状态所需的步数相同。
[Xs,Xi,Ai,Ts] = preparets(net,XTrain,{},TTrain);建议完全以开环方式创建网络，然后将网络转换为闭环网络以进行向前多步预测。之后，该闭环网络可以根据您的需要预测任意数量的将来值。如果您仅在闭环模式下仿真神经网络，则网络可以执行与输入序列中的时间步数量一样多的预测。
训练 NARX 网络。train 函数以开环（串并行架构）形式训练网络，包括验证和测试步骤。
net = train(net,Xs,Ts,Xi,Ai);
显示经过训练的网络。
view(net)
基于网络输入 Xs、初始输入状态 Xi 和初始层状态 Ai 计算开环网络的网络输出 Y、最终输入状态 Xf 和最终层状态 Af。
[Y,Xf,Af] = net(Xs,Xi,Ai);
计算网络性能。
perf = perform(net,Ts,Y)
perf = 0.0153
要预测接下来 20 个时间步的输出，请先在闭环模式下对网络进行仿真。开环网络 net 的最终输入状态 Xf 和层状态 Af 成为闭环网络 netc 的初始输入状态 Xic 和层状态 Aic。
[netc,Xic,Aic] = closeloop(net,Xf,Af);
显示闭环网络。
view(netc)
在闭环模式下运行向前 20 个时间步的预测。
Yc = netc(XPredict,Xic,Aic)
Yc=1×20 cell array
{[-0.0156]} {[0.1133]} {[-0.1472]} {[-0.0706]} {[0.0355]} {[-0.2829]} {[0.2047]} {[-0.3809]} {[-0.2836]} {[0.1886]} {[-0.1813]} {[0.1373]} {[0.2189]} {[0.3122]} {[0.2346]} {[-0.0156]} {[0.0724]} {[0.3395]} {[0.1940]} {[0.0757]}
