untitled2.m

设计一个三层的开关量神经网络

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)=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))