三层bp神经网络matlab

这里是一个三层BP神经网络的Matlab代码示例：

% 设置输入和输出数据
X = [0.1, 0.2, 0.3, 0.4; 0.2, 0.3, 0.4, 0.5; 0.3, 0.4, 0.5, 0.6];
Y = [0.4, 0.5, 0.6; 0.5, 0.6, 0.7; 0.6, 0.7, 0.8];

% 设置神经网络结构
input_layer_size = size(X, 2);  % 输入层节点数
hidden_layer_size = 4;  % 隐含层节点数
output_layer_size = size(Y, 2);  % 输出层节点数

% 初始化权重和偏置
W1 = randn(input_layer_size, hidden_layer_size);  % 输入层到隐含层权重矩阵
b1 = randn(1, hidden_layer_size);  % 隐含层偏置向量
W2 = randn(hidden_layer_size, output_layer_size);  % 隐含层到输出层权重矩阵
b2 = randn(1, output_layer_size);  % 输出层偏置向量

% 设置学习率和迭代次数
learning_rate = 0.1;
max_iterations = 1000;

% 训练神经网络
for i = 1:max_iterations
    % 前向传播
    z1 = X * W1 + repmat(b1, size(X, 1), 1);  % 隐含层输入
    a1 = 1 ./ (1 + exp(-z1));  % 隐含层输出
    z2 = a1 * W2 + repmat(b2, size(X, 1), 1);  % 输出层输入
    h = z2;  % 输出层输出
    
    % 计算损失函数值和梯度
    J = sum(sum((h - Y) .^ 2)) / (2 * size(X, 1));  % 均方误差损失函数
    delta3 = h - Y;  % 输出层误差
    delta2 = delta3 * W2' .* a1 .* (1 - a1);  % 隐含层误差
    
    % 反向传播更新权重和偏置
    W2 = W2 - learning_rate * a1' * delta3;
    b2 = b2 - learning_rate * sum(delta3);
    W1 = W1 - learning_rate * X' * delta2;
    b1 = b1 - learning_rate * sum(delta2);
    
    % 输出训练过程中的损失函数值
    if mod(i, 100) == 0
        fprintf('Iteration %d, Loss = %f\n', i, J);
    end
end

% 使用训练好的神经网络进行预测
x_test = [0.5, 0.6, 0.7, 0.8; 0.6, 0.7, 0.8, 0.9];
z1_test = x_test * W1 + repmat(b1, size(x_test, 1), 1);
a1_test = 1 ./ (1 + exp(-z1_test));
z2_test = a1_test * W2 + repmat(b2, size(x_test, 1), 1);
h_test = z2_test;
fprintf('Predicted output:\n');
disp(h_test);

这个代码实现了一个基本的三层BP神经网络，包括前向传播、反向传播、权重和偏置的更新以及预测功能。你可以根据自己的需求进行修改和扩展。