第一种
%%
%用神经网络解决异或问题
clear
clc
close
ms=4;%设置4个样本
a=[0 0;0 1;1 0;1 1];%设置输入向量
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(n,m);%为输入层到隐层的权值赋初值
v=rand(m,k);%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=0.0001;%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;%cc为第几个样本
%样本数少于ms=4时执行
while(cc<=ms)
%计算第cc个样本的输出层的期望输出
for l=1:k
o(l)=y(cc);
end
%获得第cc个样本的输入的向量
for i=1:n
x(i)=a(cc,i);
end
%%
%计算隐层的输入输出
%b(j)为隐层的输出,转移函数为logsig函数
for j=1:m
s=0;
for i=1:n
s=s+w(i,j)*x(i);
en