bp神经网络 matlab源代码

以下是一个简单的BP神经网络的MATLAB代码实现：

% 数据准备
X = [0 0 1 1; 0 1 0 1]; % 输入数据
T = [0 1 1 0]; % 目标数据

% 参数设置
epoch = 5000; % 训练轮数
lr = 0.1; % 学习率

% 初始化网络
input_layer_size = size(X, 1); % 输入层大小
hidden_layer_size = 2; % 隐藏层大小
output_layer_size = size(T, 1); % 输出层大小

% 随机初始化权重和偏置
W1 = rand(hidden_layer_size, input_layer_size);
b1 = rand(hidden_layer_size, 1);
W2 = rand(output_layer_size, hidden_layer_size);
b2 = rand(output_layer_size, 1);

% 训练网络
for i = 1:epoch
    % 前向传播
    A1 = X;
    Z2 = W1 * A1 + b1;
    A2 = sigmoid(Z2);
    Z3 = W2 * A2 + b2;
    A3 = sigmoid(Z3);

    % 计算误差
    E = T - A3;

    % 反向传播
    dZ3 = E .* dsigmoid(A3);
    dW2 = dZ3 * A2';
    db2 = sum(dZ3, 2);
    dZ2 = (W2' * dZ3) .* dsigmoid(A2);
    dW1 = dZ2 * A1';
    db1 = sum(dZ2, 2);

    % 更新权重和偏置
    W2 = W2 + lr * dW2;
    b2 = b2 + lr * db2;
    W1 = W1 + lr * dW1;
    b1 = b1 + lr * db1;
end

% 预测并输出结果
Y = A3 > 0.5;
disp('预测结果：');
disp(Y);

其中 `sigmoid` 函数和 `dsigmoid` 函数分别表示 sigmoid 激活函数和其导数，定义如下：

function y = sigmoid(x)
    y = 1 ./ (1 + exp(-x));
end

function y = dsigmoid(x)
    y = sigmoid(x) .* (1 - sigmoid(x));
end

这个实现可以用于解决二分类问题，如果需要解决多分类问题，可以将输出层大小设置为类别数，然后使用 softmax 激活函数。