Matlab自己编写bp神经网络不利用工具箱

如果不使用MATLAB的神经网络工具箱，可以手动编写BP神经网络。

以下是一个简单的例子：

1. 准备数据集和标签，假设数据集为`X`，标签为`Y`。

2. 初始化网络参数，包括输入层、隐藏层和输出层的神经元数量，以及权重和偏置项。例如，假设输入层有2个神经元，隐藏层有3个神经元，输出层有1个神经元：

input_layer_size = 2;
hidden_layer_size = 3;
output_layer_size = 1;

W1 = randn(hidden_layer_size, input_layer_size); % 输入层到隐藏层的权重
b1 = zeros(hidden_layer_size, 1); % 隐藏层的偏置项
W2 = randn(output_layer_size, hidden_layer_size); % 隐藏层到输出层的权重
b2 = zeros(output_layer_size, 1); % 输出层的偏置项

3. 定义激活函数和其导数。这里使用sigmoid函数：

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

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

4. 定义网络的前向传播和反向传播。前向传播计算网络输出，反向传播更新权重和偏置项：

function [z1, a1, z2, a2] = forward_propagation(X, W1, b1, W2, b2)
    z1 = W1*X + b1;
    a1 = sigmoid(z1);
    z2 = W2*a1 + b2;
    a2 = sigmoid(z2);
end

function [dW1, db1, dW2, db2] = backward_propagation(X, Y, z1, a1, z2, a2, W2)
    delta2 = (a2 - Y) .* sigmoid_prime(z2);
    delta1 = (W2' * delta2) .* sigmoid_prime(z1);

    dW2 = delta2 * a1';
    db2 = delta2;
    dW1 = delta1 * X';
    db1 = delta1;
end

5. 训练神经网络。使用随机梯度下降算法（SGD）进行训练。每次从数据集中随机选择一个样本进行训练，更新网络参数：

learning_rate = 0.1;
num_epochs = 1000;
batch_size = 1;

for i = 1:num_epochs
    for j = 1:size(X, 2)/batch_size
        % 从数据集中随机选择一个样本
        idx = randperm(size(X, 2), batch_size);
        X_batch = X(:, idx);
        Y_batch = Y(:, idx);

        % 前向传播
        [z1, a1, z2, a2] = forward_propagation(X_batch, W1, b1, W2, b2);

        % 反向传播
        [dW1, db1, dW2, db2] = backward_propagation(X_batch, Y_batch, z1, a1, z2, a2, W2);

        % 更新权重和偏置项
        W1 = W1 - learning_rate*dW1;
        b1 = b1 - learning_rate*db1;
        W2 = W2 - learning_rate*dW2;
        b2 = b2 - learning_rate*db2;
    end
end

6. 使用训练好的神经网络进行预测。使用前向传播函数计算网络输出：

Y_pred = zeros(size(Y));
for i = 1:size(X, 2)
    [~, ~, ~, a2] = forward_propagation(X(:, i), W1, b1, W2, b2);
    Y_pred(i) = a2;
end

以上是一个简单的手动编写BP神经网络的过程。实际应用中可能需要根据需求进行调整和优化。