当然可以在MATLAB里构建非全连接的前馈神经网络，也能精准删除特定的神经元连接——刚好我之前做过类似的能源需求预测回归任务，给你分享几个实用的方法和注意事项：

1. 基于feedforwardnet修改权重矩阵 #

MATLAB的feedforwardnet默认生成全连接网络，但我们可以手动把不需要的连接权重设为0，相当于断开连接。比如你用它创建了一个含隐藏层的网络：

net = feedforwardnet(10); % 隐藏层10个神经元，默认全连接

之后直接修改输入层→隐藏层的权重矩阵net.IW{1,1}，或者隐藏层→输出层的权重矩阵net.LW{2,1}：

% 示例：断开输入层第3个特征到隐藏层第5-10个神经元的连接
net.IW{1,1}(5:10, 3) = 0;
% 断开隐藏层第2、7个神经元到输出层的连接
net.LW{2,1}(1, [2,7]) = 0;

2. 用network函数手动搭建（更灵活） #

如果需要更精细的控制，直接用底层的network函数从零构建，完全自定义连接结构：

% 初始化空网络
net = network();
% 配置网络结构：输入层1个（对应你的能源特征），2层神经元（隐藏层+输出层）
net.numInputs = 1;
net.numLayers = 2;
net.outputConnect = [0 1]; % 输出从第二层（输出层）导出

% 设置连接规则：输入只连隐藏层，输出层只连隐藏层的部分神经元
net.inputConnect = [1 0]; % 输入连接到第一层（隐藏层）
net.layerConnect = [0 0; 1 0]; % 第二层（输出层）连接到第一层（隐藏层）

% 自定义权重矩阵，只保留需要的连接
input_feature_num = 8; % 假设你有8个能源相关特征
hidden_neuron_num = 12;
% 输入→隐藏层：只让前6个隐藏神经元连接全部8个特征，其余断开
net.IW{1,1} = zeros(hidden_neuron_num, input_feature_num);
net.IW{1,1}(1:6, :) = randn(6, input_feature_num);
% 隐藏→输出层：只连接隐藏层的第2、4、6、9个神经元
net.LW{2,1} = zeros(1, hidden_neuron_num);
net.LW{2,1}(1, [2,4,6,9]) = randn(1,4);

% 配置回归任务的训练参数
net.trainFcn = 'trainlm'; % Levenberg-Marquardt适合回归任务，收敛快
net.performFcn = 'mse'; % 用均方误差作为回归性能指标

除了上面初始化时设置0权重，训练过程中也可以动态删除或固定连接：

• 直接断开单个连接：找到对应权重矩阵的位置设为0即可。比如要断开输入层第5个特征到隐藏层第7个神经元的连接：

net.IW{1,1}(7,5) = 0;

• 训练时固定连接（防止权重更新）：如果不想让某些连接在训练中“复活”，可以给对应的权重设置学习率屏蔽：

% 创建掩码矩阵，标记要固定的连接（0表示不更新）
mask = ones(size(net.IW{1,1}));
mask(7,5) = 0; % 固定输入层第5个特征到隐藏层第7个神经元的连接
net.inputWeights{1,1}.mask = mask;

这样训练时这个位置的权重会保持初始值（如果是0就相当于永久断开）。

因为你做的是能源需求预测（回归任务），非全连接网络能帮你：

• 减少模型复杂度，避免过拟合（尤其是当你有大量冗余特征时，比如某些天气特征对需求影响极小）；
• 让模型聚焦关键特征（比如历史负荷、气温、节假日这些核心因素）。

但要注意：

• 先做特征分析：用相关性分析、互信息等方法筛选和能源需求强相关的特征，再针对性保留连接，别盲目断开导致丢失关键信息；
• 用交叉验证调整：断开连接后，模型表达能力会下降，建议用K折交叉验证测试不同连接结构的性能，找到复杂度和精度的平衡点；
• 可以尝试“剪枝”：先训练全连接网络，再把权重绝对值很小的连接设为0（相当于删除不重要的连接），这种方法更稳妥，适合回归任务的优化。

内容的提问来源于stack exchange，提问作者zafar