yihuo.rar_异或 神经网络_异或问题

%用神经网络解决异或问题 clear clc ms=4;%设置4个模式 a=[0 0;0 1;1 0;1 1];%设置输入模式向量 y=[0,1,1,0];%设置输出向量 n=2;%输入量的个数 m=3;%隐层量的个数 k=1;%输出层的个数 w=rand(2,3);%为输入层到隐层的权值赋初值 v=rand(3,1);%为隐层到输出层的权值赋权值 yyuzhi=rand(1,m);%为输入层到隐层的阈值赋初值 scyuzhi=rand(1,1);%为隐层到输出层的阈值赋权值 maxcount=10000;%设置最大的计数 precision=0.00001;%设置精度 speed=0.2;%设置训练率 count=1;%设置计数器的初始值 while(count<=maxcount) cc=1; while(cc<=ms) %计算输出层的期望输出 for l=1:k o(l)=y(cc); end %获得输入的向量 for i=1:n x(i)=a(cc,i); end %计算隐层的输入输出 for j=1:m s=0; for i=1:n s=s+w(i,j)*x(i); end s=s-yyuzhi(j); b(j)=1/(1+(exp(-s))); end %计算输出层的输入输出 %for t=1:k 此处k为1，所以循环不写 ll=0; for j=1:m ll=ll+v(j)*b(j); end ll=ll-scyuzhi; %c(t)=l/(1+exp(-l))引文k为1，所以直接用下式 c=l/(1+exp(-ll)); %计算误差 errort=(1/2)*((o(l)-c)^2); errortt(cc)=errort; %计算输出层各单元的一般化误差 scyiban=(o(l)-c)*c*(1-c); %计算隐层的一般化误差 for j=1:m e(j)=scyiban*v(j)*b(j)*(1-b(j)); end %修正隐层到输出层连接权值和输出层各阈值 for j=1:m v(j)=v(j)+speed*scyiban*b(j); end scyuzhi=scyuzhi+speed*scyiban; %修正输入层到中间层的权值和阈值 for i=1:n for j=1:m w(i,j)=w(i,j)+speed*e(j)*x(i); end end for j=1:m yyuzhi(j)=yyuzhi(j)-speed*e(j); end cc=cc+1; end %计算count一次后的误差 tmp=0; for i=1:ms tmp=tmp+errortt(i)*errortt(i); end tmp=tmp/ms; error(count)=sqrt(tmp); %判断是否小于误差精度 if (error(count)<precision); break; end count=count+1; end errortt count p=1:count-1; plot(p,error(p))