c=0;
wih = .1*ones(nh,ni+1);
who = .1*ones(no,nh+1);
while(c<3000)
c=c+1;
for i = 1:length(x(1,:))
for j = 1:nh
netj(j) = wih(j,1:end-1)*double(x(:,i))+wih(j,end)*1;
outj(j) = 1./(1+exp(-1*netj(j)));
end
% hidden to output layer
for k = 1:no
netk(k) = who(k,1:end-1)*outj+who(k,end)*1;
outk(k) = 1./(1+exp(-1*netk(k)));
delk(k) = outk(k)*(1-outk(k))*(t(k,i)-outk(k));
end
% backpropagation
for j = 1:nh
s=0;
for k = 1:no
s = s+who(k,j)*delk(k);
end
delj(j) = outj(j)*(1-outj(j))*s;
s=0;
end
for k = 1:no
for l = 1:nh
who(k,l)=who(k,l)+.5*delk(k)*outj(l);
end
who(k,l+1)=who(k,l+1)+1*delk(k)*1;
end
for j = 1:nh
for ii = 1:ni
wih(j,ii)=wih(j,ii)+.5*delj(j)*double(x(ii,i));
end
wih(j,ii+1)=wih(j,ii+1)+1*delj(j)*1;
end
end
end
这实现了反向传播神经网络。输入为x
,t
为期望输出,ni
,nh
,no
输入,隐藏和输出层神经元的数量。我正在测试这个不同的功能,如AND,或者,它适用于这些。但XOR不起作用。神经网络的反向传播算法:异或训练
培训x = [0 0 1 1; 0 1 0 1]
培训t = [0 1 1 0]
who
=权重矩阵从隐蔽到输出层
wih
=权重矩阵从输入到隐层
你能帮忙吗?
我建议你编辑你的问题,以便它是负责任的。它没有包含任何细节:“我在MATLAB中实现了反向传播算法” - 也许你应该先发布它。 –
我已添加代码,请告知我是否需要更多解释。我现在应该期待你们的一些反馈 –
你将权重初始化为相同的值。你确定这没关系吗?我不确定,但我认为这是一个糟糕的主意,可能是网络受到这种对称性的制约。 – Nabla