% bp1;例4.1 P=-1:0.1:1; P2=-1:0.1:1; T=[-0.96 -0.577 -0.0729 0.377 0.641 0.66 0.461 0.1336 ... -0.201 -0.434 -0.5 -0.393 -0.1647 0.0988 0.3072 ... 0.396 0.3449 0.1816 -0.0312 -0.2183 -0.3201]; plot(P,T,'r+'); [R,Q]=size(P);[S2,Q]=size(T);S1=5; W1=rands(S1,R); B1=rands(S1,1); W2=rands(S2,S1); B2=rands(S2,1); b1=[];b2=[]; b1=B1*ones(1,21); b2=B2*ones(1,21); a2=W2*tansig(W1*P2+b1)+b2; A2=purelin(a2); hold on plot(P,A2) hold off disp('按任一键继续') pause %创建两层前向回馈网络 net=newcf(minmax(P),[5,1],{'tansig','purelin'},'traingd'); net.trainParam.epochs=7000; %初始化训练次数 net.trainParam.goal=9.5238e-004; %误差目标值 net.trainParam.lr = 0.15; [net,tr]=train(net,P,T); %训练网络 Y=sim(net,P) ; %计算结果 plot(P,Y,'r-') hold plot(P,T,'r+'); hold off

这是一个使用 MATLAB 创建的两层前向回馈神经网络的例子，其目的是用来拟合给定的输入数据 P 和输出数据 T。其中，网络的激活函数分别采用了双曲正切函数和线性函数，训练方法为梯度下降法，训练次数为 7000 次，误差目标值为 9.5238e-004，学习率为 0.15。最后通过 sim 函数计算出网络对输入数据的预测输出 Y，并通过 plot 函数将真实输出和预测输出可视化出来。