bp神经网络对训练样本matlab代码

下面是一个简单的 MATLAB 实现来训练一个 BP 神经网络：

% 加载数据
load('data.mat')

% 设定网络参数
inputSize = size(X, 1); % 输入层大小
hiddenSize = 25; % 隐藏层大小
outputSize = size(y, 1); % 输出层大小
learningRate = 0.1; % 学习率
numIter = 1000; % 迭代次数

% 初始化权重
W1 = randn(hiddenSize, inputSize);
b1 = zeros(hiddenSize, 1);
W2 = randn(outputSize, hiddenSize);
b2 = zeros(outputSize, 1);

% 训练网络
for i = 1:numIter
    % 正向传播
    z1 = W1 * X + b1;
    a1 = sigmoid(z1);
    z2 = W2 * a1 + b2;
    yHat = sigmoid(z2);
    
    % 计算误差
    error = yHat - y;
    
    % 反向传播
    delta2 = error .* sigmoidGradient(z2);
    delta1 = (W2' * delta2) .* sigmoidGradient(z1);
    
    % 更新权重
    W2 = W2 - learningRate * delta2 * a1';
    b2 = b2 - learningRate * delta2;
    W1 = W1 - learningRate * delta1 * X';
    b1 = b1 - learningRate * delta1;
end

% 预测新数据
newX = [0.5; 0.3; 0.2];
z1 = W1 * newX + b1;
a1 = sigmoid(z1);
z2 = W2 * a1 + b2;
yPred = sigmoid(z2);

其中，data.mat 包含了训练数据 X 和对应的标签 y。在这个例子中，我们使用了一个包含一个隐藏层的 BP 神经网络。sigmoid 函数用于激活神经元，而 sigmoidGradient 函数用于计算激活函数的导数。在每一次迭代中，我们计算正向传播和反向传播的结果来更新权重。最后，我们可以使用训练好的网络来预测新数据 newX 的标签。