在MATLAB中，trainNetwork 函数用于训练深度学习网络。要选择神经网络类型，您需要首先定义一个网络层配置数组，该数组指定了网络的架构，包括输入层、隐藏层和输出层。以下是几个常见神经网络类型及其如何在MATLAB中定义：

 1.全连接网络（Fully Connected Network）

layers = [
    imageInputLayer([28 28 1]) % 例如，输入层用于28x28灰度图像
    fullyConnectedLayer(128) % 第一个隐藏层，128个神经元
    reluLayer % ReLU激活层
    fullyConnectedLayer(64) % 第二个隐藏层，64个神经元
    reluLayer
    fullyConnectedLayer(10) % 输出层，10个神经元（例如，用于分类）
    softmaxLayer % Softmax激活层，用于多类分类
    classificationLayer % 分类层
];

2. 卷积神经网络（Convolutional Neural Network, CNN）

layers = [
    imageInputLayer([224 224 3]) % 例如，输入层用于224x224彩色图像
    convolution2dLayer(3, 16, 'Padding', 'same') % 卷积层，3x3滤波器，16个滤波器
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2) % 最大池化层
    convolution2dLayer(3, 32, 'Padding', 'same')
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(10) % 全连接层
    softmaxLayer
    classificationLayer
];

3. 递归神经网络（Recurrent Neural Network, RNN）

numFeatures = 1; % 输入特征的数量
numHiddenUnits = 200; % 隐藏层的单元数量
layers = [
    sequenceInputLayer(numFeatures) % 序列输入层
    recurrentLayer(numHiddenUnits, 'OutputMode', 'sequence') % RNN层
    fullyConnectedLayer(1) % 全连接层
    regressionLayer % 回归层，用于连续值预测
];

4. 长短期记忆网络（Long Short-Term Memory, LSTM）

layers = [
    sequenceInputLayer(numFeatures) % 序列输入层
    lstmLayer(numHiddenUnits, 'OutputMode', 'sequence') % LSTM层
    fullyConnectedLayer(1) % 全连接层
    regressionLayer % 回归层，用于连续值预测
];

5. 门控循环单元网络（Gated Recurrent Unit, GRU）

layers = [
    sequenceInputLayer(numFeatures) % 序列输入层
    gruLayer(numHiddenUnits, 'OutputMode', 'sequence') % GRU层
    fullyConnectedLayer(1) % 全连接层
    regressionLayer % 回归层，用于连续值预测
];

在定义了网络层配置数组后，您可以使用 trainNetwork 函数并传入您的数据来训练网络：

net = trainNetwork(trainData, trainLabels, layers, options);

在这里，trainData 是训练数据，trainLabels 是对应的标签，layers 是定义的网络层配置数组，而 options 是训练选项，如学习率、迭代次数等。