在“异或”运算真值表中，有4个输入对，每个输入对有两个特征，分别是（0，0），（1，0），（1，1），当特征相同时，理想输出为0，相异时为1，用二层感知机实现。实现MATLAB代码

在MATLAB中，你可以使用sigmoid函数作为激活函数，因为异或（XOR）逻辑本质上是一种非线性关系。二层感知机，即简单的前馈神经网络，可以模拟这样的逻辑。以下是一个基本的示例代码，用于创建一个只有两个输入节点（对应于四个输入对的一半，因为（0,0）和（1,1）的结果都是相同的）的两层网络来实现异或逻辑：

% 定义输入数据（假设是四个输入对的一半）
inputs = [0; 0; 1; 1]; % 因为异或是对称的，只取一半
outputs = [0; 1; 1; 0]; % 理想输出

% 初始化权重
weights_1 = randn(2, 1); % 输入到隐藏层的权重
weights_2 = randn(1, 2); % 隐藏层到输出层的权重

% 定义学习率和训练次数
learning_rate = 0.1;
num_epochs = 1000;

for epoch = 1:num_epochs
    % 前向传播
    hidden_layer_outputs = sigmoid(inputs * weights_1'); % 使用点积和sigmoid函数
    outputs_hat = sigmoid(hidden_layer_outputs * weights_2'); % 输出层预测
    
    % 计算误差
    error = outputs - outputs_hat;
    
    % 反向传播更新权重
    weights_2 = weights_2 + learning_rate * (hidden_layer_outputs' * error);
    weights_1 = weights_1 + learning_rate * (inputs' * (outputs_hat .* (1 - outputs)))'; % 梯度下降修正
end

% 测试模型
test_inputs = [0; 1];
test_hidden_layer_outputs = sigmoid(test_inputs * weights_1');
predicted_output = sigmoid(test_hidden_layer_outputs * weights_2');
disp("Predicted output for XOR: " + predicted_output);

注意：这个代码示例并没有包括优化算法如批量梯度下降或多层感知机的改进版，例如随机梯度下降、反向传播等。在实际应用中，你可能需要调整学习率、添加更多的训练数据以及使用更复杂的网络结构。