%%%用神经网络解决异或问题clearclcclosems=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);            end            s=s-yyuzhi(j);            b(j)=1/(1+(exp(-s)));        end    %%    %计算输出层的输入输出    %b（j）为输出层的输入，c为输出层的输出，转移函数为logsig函数    %for t=1:k 此处k为1，所以循环不写        for t=1:k            ll=0;            for j=1:m                ll=ll+v(j,t)*b(j);            end            ll=ll-scyuzhi(t);        end    %c(t)=l/(1+exp(-l))引文k为1，所以直接用下式%     c=l/(1+exp(-ll));    if ll<0        c=0;    else        c=1;    end        %%    %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)=sqrt(tmp);    %判断是否小于误差精度    if(error(count)<precision)        break;    end    count=count+1;enderrorttcountp=1:count-1;plot(p,error(p))

%%用matlab工具箱实现异或p=[0 0 1 1;0 1 0 1];%p为输入t=[0 1 1 0];%t为理想输出%隐含层有2个神经元，输出层有1个神经元，隐含层的传输函数为logsig函数%输出层的传输函数为purelin函数net=newff(minmax(p),[2,1],{‘logsig‘,‘purelin‘},‘trainlm‘);net.trainParam.epochs=1000;%训练的最大次数为1000net.trainParam.goal=0.0001;%训练的精度为0.0001LP.lr=0.1;%训练的学习率为0.1net.trainParam.show=20;%显示训练的迭代过程net=train(net,p,t);%开始训练out=sim(net,p);%用sim函数仿真验证