%使用BP神經(jīng)網(wǎng)絡(luò)來對函數(shù)：y?=?sin（x1）+cos（x2）進(jìn)行逼近

clc;?%清屏??
close?all;?%關(guān)閉已打開的所有視圖窗口
clear?all;?%清除工作空間中的所有變量

l?=?0.1;
Input1?=?-2?:?l?:?2;?
Input2?=?-2?:?l?:?2;?%網(wǎng)絡(luò)的訓(xùn)練樣本

[feature1??sample1]?=?size（Input1）;?%得到網(wǎng)絡(luò)的輸入特征數(shù)以及訓(xùn)練網(wǎng)絡(luò)所用的樣本數(shù)
[feature2??sample2]?=?size（Input2）;
input?=?feature1?+?feature2;?%輸入層的節(jié)點數(shù)（即輸入的特征個數(shù)）
sample?=?sample1?*?sample2;?%訓(xùn)練樣本數(shù)
middle?=?19;?%隱含層的節(jié)點數(shù)=19，這一層的激勵函數(shù)選用Sigmoid函數(shù)
output?=?1;?%輸出層的節(jié)點數(shù)=1，這一層的激勵函數(shù)選用線性函數(shù)

%初始化隱含層及輸出層對應(yīng)的權(quán)重和閾值矩陣
weight2?=?rand（output??middle）?-?2?*?rand（output??middle）;?%初始化輸出層對應(yīng)的權(quán)重矩陣
weight1?=?rand（middle??input）?-?2?*?rand（middle??input）;?%初始化隱含層對應(yīng)的權(quán)重矩陣
thre2?=?rand（output??1）?-?2?*?rand（output??1）;?%初始化輸出層對應(yīng)的閾值矩陣
thre1?=?rand（middle??1）?-?2?*?rand（middle??1）;?%初始化隱含層對應(yīng)的閾值矩陣

RunCnt?=?0;?%運行次數(shù)
e1?=?0;?%逼近誤差
MaxError?=?0.05;?%網(wǎng)絡(luò)可容忍的逼近誤差的最大值
assistS1?=?zeros（middle??middle）;?%存儲變量以輔助計算s1
assistS2?=?zeros（output??output）;?%存儲變量以輔助計算s2
alpha?=?0.1;?%網(wǎng)絡(luò)的學(xué)習(xí)率

%程序的主循環(huán)
while（RunCnt?????e1?=?0;?%每一次樣本循環(huán)開始時，將樣本的逼近誤差置為零
????for?i?=?1?:?sample1?%根據(jù)每一個訓(xùn)練樣本對網(wǎng)絡(luò)進(jìn)行更新
????????for?j?=?1?:?sample2
????????netMiddle?=?weight1?*?[Input1（:??i）?;?Input2（:??j）]?+?thre1;?%計算隱含層的輸出
????????netMiddle?=?1?./?（1?+?exp（-netMiddle））;?%經(jīng)過激勵函數(shù)之后的隱含層的輸出，隱含層的激勵函數(shù)為logistic函數(shù)
????????netOutput?=?weight2?*?netMiddle?+?thre2;?%計算網(wǎng)絡(luò)前向傳播中輸出層的值
????????
????????assistS1?=?diag（（1?-?netMiddle）?.*?netMiddle）;
????????assistS2?