神经网络matlab程序

clear all
clc
close all;                  %关闭当前所有figure图像
TrainNum=20;
inputNum=1;
hideNum=10;
outputNum=1;

rng（‘default‘）   %依据系统时钟种子产生随机数
rng（0）
x_train=8*rand（1TrainNum）-4
y_vec=1.1*（1-x_train+2*x_train.^2）.*exp（-x_train.^2/2）;


NoiseVar=0.01;                    %噪声强度为0.1（添加噪声的目的是为了防止网络过度拟合）
Noise=NoiseVar*randn（1TrainNum）;   %生成噪声
y_train=y_vec + Noise;                   %将噪声添加到输出样本上

[x_trainxtrain]=mapminmax（x_train）;
[y_trainytrain]=mapminmax（y_train）;

precision=0.5; %预设精度
lr=0.01;
SSE=1;
mc=0.1;

W1=0.2*rand（hideNuminputNum）-0.1;   %初始化输入层与隐含层之间的权值
B1=0.2*rand（hideNum1）-0.1;       %初始化输入层与隐含层之间的阈值
W2=0.2*rand（outputNumhideNum）-0.1; %初始化输出层与隐含层之间的权值              
B2=0.2*rand（outputNum1）-0.1;                %初始化输出层与隐含层之间的阈值

W1_1=W1;W1_2=W1_1;
W2_1=W2;W2_2=W2_1;
B1_1=B1;B1_2=B1_1;
B2_1=B2;B2_2=B2_1;

ErrHistory=[];                              %给中间变量预先占据内存
count=1;
counthistory=[1];
% tic
while（SSE>precision）
    HiddenIn=x_train;
    HiddenNet=W1*HiddenIn+repmat（B11TrainNum）; % 隐含层网络输出10*100
    HiddenOut=sin（HiddenNet）;  %sin（HiddenNet）1./（1+exp（-HiddenNet）），
    finalNet=W2*HiddenOut+repmat（B21TrainNum）;    % 输出层网络输出1*100
    finalOut=finalNet;    %sin（finalNet）1./（1+e