Matlab编写bp神经网络，不使用工具箱

以下是一个基本的 MATLAB 代码，用于创建和训练一个简单的 BP 神经网络，不使用工具箱：

1. 创建网络结构

inputSize = 4; % 输入层大小
hiddenSize = 5; % 隐藏层大小
outputSize = 3; % 输出层大小

% 随机初始化权重和阈值
W1 = rand(hiddenSize, inputSize); % 输入层到隐藏层的权重矩阵
b1 = rand(hiddenSize, 1); % 隐藏层的偏置向量
W2 = rand(outputSize, hiddenSize); % 隐藏层到输出层的权重矩阵
b2 = rand(outputSize, 1); % 输出层的偏置向量

2. 设置训练参数

learning_rate = 0.1; % 学习率
epochs = 1000; % 迭代次数
goal = 0.01; % 训练误差目标

3. 准备数据集

load iris_dataset.mat % 载入数据集
inputs = irisInputs; % 输入数据
targets = irisTargets; % 目标数据

4. 训练网络

for epoch = 1:epochs
    % 随机打乱数据集
    order = randperm(size(inputs, 2));
    inputs = inputs(:, order);
    targets = targets(:, order);

    % 前向传播
    z1 = W1 * inputs + b1;
    a1 = sigmoid(z1);
    z2 = W2 * a1 + b2;
    a2 = sigmoid(z2);

    % 计算误差
    error = targets - a2;
    mse(epoch) = mean(mean(error.^2));

    % 反向传播
    delta2 = error .* sigmoid_derivative(a2);
    delta1 = (W2' * delta2) .* sigmoid_derivative(a1);

    % 更新权重和阈值
    W2 = W2 + learning_rate * delta2 * a1';
    b2 = b2 + learning_rate * delta2;
    W1 = W1 + learning_rate * delta1 * inputs';
    b1 = b1 + learning_rate * delta1;
    
    % 判断是否达到训练误差目标
    if mse(epoch) < goal
        break;
    end
end

5. 测试网络

outputs = zeros(outputSize, size(inputs, 2));
for i = 1:size(inputs, 2)
    z1 = W1 * inputs(:, i) + b1;
    a1 = sigmoid(z1);
    z2 = W2 * a1 + b2;
    a2 = sigmoid(z2);
    outputs(:, i) = a2;
end

其中，sigmoid 函数和其导数的实现如下：

function y = sigmoid(x)
    y = 1 ./ (1 + exp(-x));
end

function y = sigmoid_derivative(x)
    y = sigmoid(x) .* (1 - sigmoid(x));
end

这是一个简单的示例，您可以根据您的具体应用程序进行修改和扩展。