用matlab写一个基于bp神经网络实现的手写数字识别

好的，以下是一个基于bp神经网络实现的手写数字识别的Matlab代码：

% 1. 准备数据集
load mnist_train.mat % 导入MNIST训练集
images = double(images);
labels = double(labels);

% 2. 数据预处理
images = images / 255; % 归一化
input_size = size(images, 2); % 输入层节点数
output_size = 10; % 输出层节点数(标签为0-9)

% 3. 构建神经网络
hidden_size = 100; % 隐藏层节点数
net = feedforwardnet(hidden_size);
net.trainFcn = 'trainscg'; % 使用SCG训练函数
net.layers{1}.transferFcn = 'logsig'; % 隐藏层激活函数
net.layers{2}.transferFcn = 'softmax'; % 输出层激活函数
net.divideFcn = 'dividerand'; % 随机划分训练集和验证集
net.divideParam.trainRatio = 0.8; % 训练集比例
net.divideParam.valRatio = 0.2; % 验证集比例
net.divideParam.testRatio = 0; % 测试集比例
net.trainParam.epochs = 100; % 迭代次数
net.trainParam.lr = 0.01; % 学习率

% 4. 训练神经网络
[net,tr] = train(net,images',dummyvar(labels+1)');

% 5. 测试神经网络
load mnist_test.mat % 导入MNIST测试集
images_test = double(images_test) / 255;
labels_test = double(labels_test);
outputs = net(images_test');
[~, predict_labels] = max(outputs);
accuracy = sum(predict_labels'==labels_test) / length(labels_test)

% 6. 优化模型
net.trainParam.epochs = 200; % 增加迭代次数
net.trainParam.lr = 0.005; % 减小学习率
[net,tr] = train(net,images',dummyvar(labels+1)');
outputs = net(images_test');
[~, predict_labels] = max(outputs);
accuracy = sum(predict_labels'==labels_test) / length(labels_test)

以上代码中，`mnist_train.mat`和`mnist_test.mat`是MNIST数据集的Matlab格式文件，可以从网上下载。训练过程使用了SCG训练函数，隐藏层激活函数采用了sigmoid函数，输出层激活函数采用了softmax函数。训练时使用了随机划分训练集和验证集，以防止过拟合。最后，通过调整迭代次数和学习率，可以进一步提高模型的准确率。