matlab MLP代码

当然可以！下面是一个简单的 MATLAB MLP（多层感知机）代码示例：

% 设置训练数据
X = [0 0 1 1; 0 1 0 1];
Y = [0 1 1 0];

% 设置神经网络参数
inputSize = size(X, 1);
hiddenSize = 2;
outputSize = size(Y, 1);learningRate = 0.1;
epochs = 10000;

% 初始化权重和偏置
W1 = rand(hiddenSize, inputSize);
b1 = rand(hiddenSize, 1);
W2 = rand(outputSize, hiddenSize);
b2 = rand(outputSize, 1);

% 训练神经网络
for epoch = 1:epochs
    % 前向传播
    Z1 = W1 * X + b1;
    A1 = sigmoid(Z1);
    Z2 = W2 * A1 + b2;
    A2 = sigmoid(Z2);
    
    % 计算损失函数
    loss = sum((A2 - Y).^2) / size(Y, 2);
    
    % 反向传播
    dZ2 = A2 - Y;
    dW2 = (1 / size(Y, 2)) * dZ2 * A1';
    db2 = (1 / size(Y, 2)) * sum(dZ2, 2);
    dZ1 = W2' * dZ2 .* sigmoidGradient(Z1);
    dW1 = (1 / size(Y, 2)) * dZ1 * X';
    db1 = (1 / size(Y, 2)) * sum(dZ1, 2);
    
    % 更新权重和偏置
    W1 = W1 - learningRate * dW1;
    b1 = b1 - learningRate * db1;
    W2 = W2 - learningRate * dW2;
    b2 = b2 - learningRate * db2;
end

% 预测新数据
newData = [0.5; 0.5];
Z1 = W1 * newData + b1;
A1 = sigmoid(Z1);
Z2 = W2 * A1 + b2;
A2 = sigmoid(Z2);
prediction = A2;

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

% 定义 sigmoid 函数的导数
function y = sigmoidGradient(x)
    y = sigmoid(x) .* (1 - sigmoid(x));
end

这段代码实现了一个简单的 MLP，包括前向传播、反向传播和权重更新。你可以根据自己的需求修改输入数据、隐藏层大小、学习率等参数。最后，使用训练好的模型进行预测。