BP神经网络预测代码

BP神经网络（Back Propagation Neural Network）是一种按误差反向传播训练的多层前馈神经网络。它通常包括输入层、隐藏层和输出层，每一层由若干个神经元组成。BP算法的核心思想是通过正向传播输入信息，计算输出层误差，然后通过反向传播的方式将误差信号逐层传递，从而调整各层神经元的权值和阈值，以实现网络性能的不断优化。

以下是一个简化的BP神经网络预测代码示例，使用Python语言，并假设使用numpy库进行矩阵运算：

import numpy as np

# 激活函数及其导数
def sigmoid(x):
    return 1.0 / (1.0 + np.exp(-x))

def sigmoid_derivative(x):
    return x * (1.0 - x)

# 输入样本和目标输出
inputs = np.array([[0,0],
                   [0,1],
                   [1,0],
                   [1,1]])
expected_output = np.array([[0],
                             [1],
                             [1],
                             [0]])

# 初始化参数
epochs = 10000      # 迭代次数
lr = 0.1            # 学习率
input_layer_size = 2 # 输入层节点数
hidden_layer_size = 2 # 隐藏层节点数
output_layer_size = 1 # 输出层节点数

# 初始化权重
weights_input_hidden = np.random.uniform(size=(input_layer_size, hidden_layer_size))
weights_hidden_output = np.random.uniform(size=(hidden_layer_size, output_layer_size))

# 训练过程
for _ in range(epochs):
    # 正向传播
    hidden_layer_activation = np.dot(inputs, weights_input_hidden)
    hidden_layer_output = sigmoid(hidden_layer_activation)

    output_layer_activation = np.dot(hidden_layer_output, weights_hidden_output)
    predicted_output = sigmoid(output_layer_activation)

    # 计算误差
    error = expected_output - predicted_output

    # 反向传播
    d_predicted_output = error * sigmoid_derivative(predicted_output)
    
    error_hidden_layer = d_predicted_output.dot(weights_hidden_output.T)
    d_hidden_layer = error_hidden_layer * sigmoid_derivative(hidden_layer_output)

    # 更新权重
    weights_hidden_output += hidden_layer_output.T.dot(d_predicted_output) * lr
    weights_input_hidden += inputs.T.dot(d_hidden_layer) * lr

# 输出结果
print(predicted_output)

请注意，这个代码仅是一个非常简单的BP神经网络模型，实际应用中BP神经网络可能需要更加复杂的结构和调整，比如更多的隐藏层、不同的激活函数、正则化项等。