使用matlab语言，在不使用神经网络工具箱的前提下实现：用反向传播算法补充两层感知器解决奇偶性问题。如果输入模式包含奇数个1，则奇偶性问题的输出为1，否则为0。使用一个有4个二进制输入元素的网络，第一层有4个隐藏单元，第二层有一个输出单元。当每个输入模式的绝对值误差达到0.05时，学习过程停止。其他实现细节如下：1）将所有权重和偏置初始化为-1.0到1.0之间的随机数。2）使用a=1的logistic sigmoid函数作为所有单位的激活函数。3）代价函数是1/2方差函数

你可以使用以下代码来实现上述要求：

% 初始化权重和偏置
w1 = rand(4, 4) * 2 - 1; % 4x4的随机权重矩阵
b1 = rand(4, 1) * 2 - 1; % 4x1的随机偏置向量
w2 = rand(1, 4) * 2 - 1; % 1x4的随机权重向量
b2 = rand(); % 随机偏置标量

% 定义激活函数和其导数
sigmoid = @(x) 1 ./ (1 + exp(-x));
sigmoid_derivative = @(x) sigmoid(x) .* (1 - sigmoid(x));

% 定义输入和目标输出
inputs = [0 0 0 0; 0 0 0 1; 0 0 1 0; 0 0 1 1; ...
          0 1 0 0; 0 1 0 1; 0 1 1 0; 0 1 1 1; ...
          1 0 0 0; 1 0 0 1; 1 0 1 0; 1 0 1 1; ...
          1 1 0 0; 1 1 0 1; 1 1 1 0; 1 1 1 1];
targets = [0; 1; 0; 1; ...
           0; 1; 0; 1; ...
           0; 1; 0; 1; ...
           0; 1; 0; 1];

% 开始训练
learning_rate = 0.1;
epoch = 0;
while true
    % 前向传播
    hidden_layer = sigmoid(w1 * inputs' + b1);
    output = sigmoid(w2 * hidden_layer + b2);
    
    % 计算误差
    error = targets - output;
    mse = mean(error.^2);
    
    if mse < 0.05
        break; % 达到停止条件，结束训练
    end
    
    % 反向传播
    output_delta = error .* sigmoid_derivative(output);
    hidden_delta = (w2' * output_delta) .* sigmoid_derivative(hidden_layer);
    
    % 更新权重和偏置
    w2 = w2 + learning_rate * (output_delta * hidden_layer');
    b2 = b2 + learning_rate * sum(output_delta);
    w1 = w1 + learning_rate * (hidden_delta * inputs);
    b1 = b1 + learning_rate * sum(hidden_delta, 2);
    
    epoch = epoch + 1;
end

% 测试
test_input = [1 0 0 1]; % 测试输入
hidden_layer = sigmoid(w1 * test_input' + b1);
output = sigmoid(w2 * hidden_layer + b2);
result = round(output); % 四舍五入到最接近的整数

disp(result); % 打印输出结果

这段代码使用了反向传播算法来训练一个两层感知器解决奇偶性问题。它包括了权重和偏置的初始化、激活函数的定义、输入和目标输出的设定、训练过程和测试过程。在训练过程中，通过不断更新权重和偏置来减小误差，直到误差达到停止条件（0.05）。最后，使用训练好的网络对测试输入进行预测，并打印输出结果。

请注意，这个实现并不使用神经网络工具箱，而是使用基本的矩阵运算和逐元素运算来实现反向传播算法。