写一段循环神经网络matlab代码

以下是一个简单的循环神经网络（RNN）的 MATLAB 代码示例：

% 设置参数
input_size = 4; % 输入数据的维度
hidden_size = 10; % 隐藏层的大小
output_size = 3; % 输出数据的维度
seq_length = 5; % 序列长度
learning_rate = 0.1; % 学习率

% 初始化权重
Wxh = rand(hidden_size, input_size); % 输入到隐藏层的权重矩阵
Whh = rand(hidden_size, hidden_size); % 隐藏层到隐藏层的权重矩阵
Why = rand(output_size, hidden_size); % 隐藏层到输出层的权重矩阵
bh = zeros(hidden_size, 1); % 隐藏层偏置向量
by = zeros(output_size, 1); % 输出层偏置向量

% 初始化隐层状态
hprev = zeros(hidden_size, 1);

% 训练数据
data = rand(input_size, seq_length);

% 前向传播和反向传播
for t = 1:seq_length
    % 前向传播
    x = data(:, t);
    h = tanh(Wxh * x + Whh * hprev + bh);
    y = Why * h + by;

    % 计算损失
    loss = sum((y - target(:, t)).^2);

    % 反向传播
    dy = 2 * (y - target(:, t));
    dWhy = dy * h';
    dh = Why' * dy .* (1 - h.^2);
    dbh = dh;
    dWxh = dh * x';
    dWhh = dh * hprev';

    % 更新权重和偏置
    Why = Why - learning_rate * dWhy;
    bh = bh - learning_rate * dbh;
    Wxh = Wxh - learning_rate * dWxh;
    Whh = Whh - learning_rate * dWhh;

    % 更新隐层状态
    hprev = h;
end

这个示例实现了一个简单的 RNN，将输入数据的每一列作为一个时间步骤，通过每个时间步骤的前向传播和反向传播更新权重和偏置。在每个时间步骤中，使用 tanh 激活函数来计算隐层状态，使用线性激活函数计算输出。反向传播过程中使用链式法则计算每个参数的梯度，并使用梯度下降法更新权重和偏置。