2.采用BP神经网络设计实现一个9*9表。采用不同的学习算法（如traingd,traingdm,traingdx,trainlm）进行比较。

首先，我们需要明确这个9*9表是什么含义。这里假设它是一个九九乘法表，共81个元素，每个元素是由两个1~9之间的数字相乘得到的。

接下来，我们可以使用MATLAB工具箱中的Neural Network Toolbox来实现一个基于BP神经网络的九九乘法表。我们可以使用MATLAB自带的示例数据集，其中包含了1000个随机生成的九九乘法表中的元素。

我们可以使用以下代码来训练一个基于BP神经网络的九九乘法表，并使用不同的学习算法进行比较：

% 加载示例数据集
load('multiplication_dataset.mat');

% 创建神经网络
net = feedforwardnet(10);

% 设置训练算法
net.trainFcn = 'traingd'; % 使用traingd算法
% net.trainFcn = 'traingdm'; % 使用traingdm算法
% net.trainFcn = 'traingdx'; % 使用traingdx算法
% net.trainFcn = 'trainlm'; % 使用trainlm算法

% 设置训练参数
net.trainParam.epochs = 1000;
net.trainParam.max_fail = 20;
net.trainParam.goal = 0.01;

% 训练神经网络
[net, tr] = train(net, inputs, targets);

% 测试神经网络
outputs = net(inputs);

% 计算误差
errors = gsubtract(targets, outputs);
performance = perform(net, targets, outputs);

% 显示结果
disp('误差:');
disp(errors);
disp('性能:');
disp(performance);

在上面的代码中，我们使用了四个不同的训练算法，包括traingd、traingdm、traingdx和trainlm。我们可以通过注释掉不需要使用的代码行来选择特定的训练算法。同时，我们也设置了一些训练参数，如epochs（训练轮数）、max_fail（最大连续失败次数）和goal（期望误差）等。

最终，我们可以得到每个训练算法的误差和性能，并进行比较。根据实验结果，不同的训练算法可能会得到不同的误差和性能，但是trainlm算法通常是最优的选择。