编写一个神经网络方法的matlab代码求解一个分类问题,并给出调用实例

以下是一个简单的神经网络方法的 Matlab 代码，用于解决二元分类问题：

% 输入数据
X = [0 0; 0 1; 1 0; 1 1];
Y = [0; 1; 1; 0];

% 定义神经网络结构
n_input = size(X,2);
n_hidden = 5;
n_output = 1;

% 随机初始化权重
W1 = randn(n_input,n_hidden);
b1 = randn(n_hidden,1);
W2 = randn(n_hidden,n_output);
b2 = randn(n_output,1);

% 定义学习率和迭代次数
learning_rate = 0.01;
n_iterations = 10000;

% 训练神经网络
for i = 1:n_iterations
    % 正向传播
    Z1 = X * W1 + b1';
    A1 = 1./(1+exp(-Z1));
    Z2 = A1 * W2 + b2';
    A2 = 1./(1+exp(-Z2));
    
    % 计算损失和梯度
    loss = -sum(Y.*log(A2) + (1-Y).*log(1-A2))/size(X,1);
    dZ2 = A2 - Y;
    dW2 = A1' * dZ2 / size(X,1);
    db2 = sum(dZ2,1) / size(X,1);
    dZ1 = (dZ2 * W2') .* A1 .* (1-A1);
    dW1 = X' * dZ1 / size(X,1);
    db1 = sum(dZ1,1) / size(X,1);
    
    % 更新权重
    W2 = W2 - learning_rate * dW2;
    b2 = b2 - learning_rate * db2';
    W1 = W1 - learning_rate * dW1;
    b1 = b1 - learning_rate * db1';    
end

% 预测结果
Z1 = X * W1 + b1';
A1 = 1./(1+exp(-Z1));
Z2 = A1 * W2 + b2';
A2 = 1./(1+exp(-Z2));
predictions = (A2 > 0.5);

% 打印预测结果
disp(predictions);

这个代码实现了一个包含一个隐藏层的神经网络，使用 sigmoid 激活函数进行正向传播，使用交叉熵损失函数和梯度下降算法进行训练。在训练完成后，代码使用训练好的神经网络进行预测，并输出预测结果。

以下是调用实例：

% 输入数据
X = [0 0; 0 1; 1 0; 1 1];
Y = [0; 1; 1; 0];

% 训练神经网络
predictions = train_and_predict(X,Y);

% 打印预测结果
disp(predictions);

在这个例子中，`train_and_predict` 函数封装了上面的代码，用于训练神经网络并进行预测。