简单的二层BP神经网络-实现逻辑与门(Matlab和Python)

该程序主要是设计一个2层的神经网络,通过BP算法实现与门逻辑。

一、逻辑与门

二、二层的神经网络

三、数学推导

根据真值表可知,输入输出的对应逻辑关系。

故设输入X,输出Y为

X=\begin{pmatrix} 0 &0 \\ 0 &1 \\ 1&0 \\ 1& 1 \end{pmatrix}            Y=\begin{pmatrix} 0\\ 0\\ 0\\ 1 \end{pmatrix}

权值W1为2*2矩阵,W2为2*1矩阵

(1).  前向计算过程

第1个神经元输出为:\large a_{1}=X*W_{1};z_{1}=sigmoid(a_{1})

第2个神经元输出为:\large a_{2}=z_{1}*W_{2};z_{2}=sigmoid(a_{2})

其中:\large sigmoid(x)=\tfrac{1}{1+e_{}^{-x}}

(2).  反向传播过程

公式由链式求导法则得出,这里不做推导。结果如下:

第2个神经元误差为:

  • 3
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
Matlab实现一个两层神经网络可以按照以下步骤进行: 1. 首先,导入所需的库和数据集。你可以使用Matlab内置的神经网络工具箱来实现神经网络。导入你的训练集和测试集数据。 2. 接下来,定义网络的结构。一个两层神经网络主要由输入层、隐藏层和输出层组成。定义网络的输入层节点数、隐藏层节点数和输出层节点数。 3. 创建和初始化网络的权重矩阵。权重矩阵是网络中连接不同层的权重参数。可以使用随机初始化或者其他方法来初始化权重矩阵。 4. 定义并选择合适的激活函数。激活函数在神经网络中用于实现非线性映射,常用的激活函数有sigmoid、ReLU、tanh等。 5. 实现前向传播算法。前向传播算法是神经网络中的一种计算方法,用于从输入层到输出层计算网络的输出值。 6. 实现反向传播算法。反向传播算法用于根据网络的输出和期望输出更新权重矩阵,从而减小网络的误差。 7. 训练神经网络。使用训练集数据进行多次迭代训练,通过不断更新权重矩阵,使网络的输出与期望输出更加接近。 8. 验证和测试神经网络。使用测试集数据验证网络的性能和准确度。 请注意,以上只是一个基本的框架,具体的实现方式可能会因为你的具体需求或数据集的特点而有所不同。你可以参考中的推导过程和《简单二层BP神经网络-实现逻辑与MatlabPython)》一文中的实现方法来详细了解具体的代码实现细节。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

仲夏夜之梦xz

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值