梯度下降法建立bp神经网络 excle数据 sigmoid matlab代码

建立BP神经网络的过程可以分为以下几个步骤：

1. 数据预处理：将Excel数据导入Matlab中，并将数据进行归一化处理，将数据缩放到[0,1]范围内。

2. 初始化：随机初始化神经网络中的权重和偏置。

3. 前向传播：使用sigmoid函数作为激活函数，计算每个神经元的输出。

4. 反向传播：计算输出误差和每个神经元的误差，然后根据误差调整权重和偏置。

5. 训练模型：重复进行前向传播和反向传播，直到模型收敛。

以下是一个简单的BP神经网络的Matlab代码实现：

% 导入Excel数据
data = xlsread('data.xls');
X = data(:,1:end-1);
Y = data(:,end);

% 数据归一化处理
[X_norm, mu, sigma] = zscore(X);

% 初始化神经网络
input_layer_size = size(X,2);
hidden_layer_size = 25;
output_layer_size = 1;
W1 = randn(input_layer_size, hidden_layer_size);
b1 = zeros(1, hidden_layer_size);
W2 = randn(hidden_layer_size, output_layer_size);
b2 = zeros(1, output_layer_size);

% 定义sigmoid函数
sigmoid = @(x) 1./(1+exp(-x));

% 训练模型
alpha = 0.01; % 学习率
max_iter = 1000; % 最大迭代次数
iter = 1;
while iter <= max_iter
    % 前向传播
    z2 = X_norm * W1 + repmat(b1, size(X_norm,1), 1);
    a2 = sigmoid(z2);
    z3 = a2 * W2 + repmat(b2, size(X_norm,1), 1);
    h = sigmoid(z3);
    
    % 计算误差
    J = sum((h-Y).^2)/2;
    delta3 = (h-Y) .* sigmoid(z3) .* (1-sigmoid(z3));
    delta2 = delta3 * W2' .* sigmoid(z2) .* (1-sigmoid(z2));
    
    % 更新权重和偏置
    W2 = W2 - alpha * a2' * delta3;
    b2 = b2 - alpha * sum(delta3);
    W1 = W1 - alpha * X_norm' * delta2;
    b1 = b1 - alpha * sum(delta2);
    
    iter = iter + 1;
end

% 预测结果
X_test = [1, 3, 5]; % 测试数据
X_test_norm = (X_test - mu) ./ sigma;
z2_test = X_test_norm * W1 + repmat(b1, size(X_test_norm,1), 1);
a2_test = sigmoid(z2_test);
z3_test = a2_test * W2 + repmat(b2, size(X_test_norm,1), 1);
h_test = sigmoid(z3_test);