MLP的matlab代码及测试数据

MLP（多层感知机）是一种常用的人工神经网络模型，用于解决分类和回归问题。下面是一个简单的MLP的Matlab代码示例：

% 设置训练数据
X = [0 0; 0 1; 1 0; 1 1]; % 输入数据
Y = [0; 1; 1; 0]; % 目标输出

% 定义MLP的参数
inputSize = size(X, 2); % 输入层大小
hiddenSize = 4; % 隐藏层大小
outputSize = 1; % 输出层大小
learningRate = 0.1; % 学习率
epochs = 10000; % 迭代次数

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

% 训练MLP
for epoch = 1:epochs
    % 前向传播
    hiddenLayer = max(0, X * W1 + b1); % ReLU激活函数
    outputLayer = hiddenLayer * W2 + b2;
    
    % 计算损失函数
    loss = sum((outputLayer - Y).^2) / size(X, 1);
    
    % 反向传播
    dLoss = 2 * (outputLayer - Y) / size(X, 1);
    dW2 = hiddenLayer' * dLoss;
    db2 = sum(dLoss);
    dHidden = dLoss * W2';
    dHidden(hiddenLayer <= 0) = 0; % ReLU的导数
    dW1 = X' * dHidden;
    db1 = sum(dHidden);
    
    % 更新权重和偏置
    W1 = W1 - learningRate * dW1;
    b1 = b1 - learningRate * db1;
    W2 = W2 - learningRate * dW2;
    b2 = b2 - learningRate * db2;
end

% 测试MLP
testX = [0.5 0.5];
hiddenLayer = max(0, testX * W1 + b1);
outputLayer = hiddenLayer * W2 + b2;
predictedY = outputLayer;

disp(predictedY);

上述代码实现了一个具有一个隐藏层的MLP，使用ReLU作为激活函数，并使用均方误差作为损失函数。训练数据X是一个4x2的矩阵，Y是一个4x1的列向量。测试数据testX是一个1x2的向量。

请注意，这只是一个简单的示例代码，实际应用中可能需要根据具体问题进行调整和改进。