BP网络模式识别3输入2输出样本的训练和测试程序代码

在使用BP（Backpropagation，反向传播）神经网络进行三输入两输出样本的模式识别时，你需要首先定义网络结构，然后进行训练和测试。这里是一个简单的Python示例，使用的是`numpy`库：

import numpy as np

# 定义网络参数
input_size = 3  # 输入节点数
hidden_size = 4  # 隐藏层节点数
output_size = 2  # 输出节点数
learning_rate = 0.01  # 学习率
epochs = 1000  # 训练轮数

# 初始化权重矩阵
synaptic_weights_1 = 2 * np.random.random((input_size, hidden_size)) - 1
synaptic_weights_2 = 2 * np.random.random((hidden_size, output_size)) - 1

def sigmoid(x):
    return 1 / (1 + np.exp(-x))

def train(input_data, target_data, synaptic_weights_1, synaptic_weights_2):
    input_layer = input_data
    layer_1 = sigmoid(np.dot(input_layer, synaptic_weights_1))
    layer_2_output = sigmoid(np.dot(layer_1, synaptic_weights_2))

    # 计算误差并反向传播
    layer_2_error = target_data - layer_2_output
    layer_2_delta = layer_2_error * layer_2_output * (1 - layer_2_output)

    layer_1_error = layer_2_delta.dot(synaptic_weights_2.T)
    layer_1_delta = layer_1_error * layer_1 * (1 - layer_1)

    # 更新权重
    synaptic_weights_2 += layer_1.T.dot(layer_2_delta) * learning_rate
    synaptic_weights_1 += input_layer.T.dot(layer_1_delta) * learning_rate

    return synaptic_weights_1, synaptic_weights_2

# 模拟数据集
input_data = np.array([[0, 0, 1], [0, 1,