使用MATLAB编写BP网络的代码，不使用任何函数

好的，下面是一个使用MATLAB编写BP神经网络的代码，不使用任何函数的例子：

% 数据集
X = [0 0 1 1; 0 1 0 1];
Y = [0 1 1 0];

% 定义网络参数
N = 2; % 输入层神经元数
M = 2; % 隐藏层神经元数
K = 1; % 输出层神经元数
eta = 0.5; % 学习率
epoch = 10000; % 迭代次数

% 初始化权重和偏置
W1 = rand(M, N); % 输入层到隐藏层的权重
b1 = rand(M, 1); % 隐藏层的偏置
W2 = rand(K, M); % 隐藏层到输出层的权重
b2 = rand(K, 1); % 输出层的偏置

% 训练网络
for i = 1:epoch
    % 前向传播
    Z1 = W1 * X + b1;
    A1 = sigmoid(Z1);
    Z2 = W2 * A1 + b2;
    Y_hat = sigmoid(Z2);
    
    % 反向传播
    delta2 = (Y_hat - Y) .* sigmoid_derivative(Y_hat);
    delta1 = (W2' * delta2) .* sigmoid_derivative(A1);
    
    % 更新权重和偏置
    W2 = W2 - eta * delta2 * A1';
    b2 = b2 - eta * delta2;
    W1 = W1 - eta * delta1 * X';
    b1 = b1 - eta * delta1;
end

% 测试网络
X_test = [0 0 1 1; 0 1 0 1];
Y_test = [0 1 1 0];
Z1_test = W1 * X_test + b1;
A1_test = sigmoid(Z1_test);
Z2_test = W2 * A1_test + b2;
Y_hat_test = sigmoid(Z2_test);

其中，sigmoid函数和sigmoid_derivative函数的定义如下：

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BP神经网络的实现，仅供参考。需要注意的是，不同的神经网络模型和训练任务可能需要不同的参数设置和编程技巧。