BP神经网络MATLAB实现不使用工具箱

clc                          
clear all; 
close all;

%定义相关参数
InputNum=1;              %输入个数
OutputNum=1;             %输出个数
TrainingSampleNum=9;     %训练样本数量
TestSampleNum=361;       %测试样本数量
HiddenSomaNum=5;         %中间层隐节点数量
EpochsNum=500;           %最多训练次数                                    
u1=0.57;                 %学习速率1
u2=0.17;                 %学习速率2

%生成训练样本和测试样本
TrainingSample=0:pi/4:2*pi;              
TestSample=0:pi/180:2*pi;            
DesiredOutput=sin（TrainingSample）;
DesiredOutput2=sin（TestSample）;
ErrorMatrix=[];          %误差矩阵
OutlayerOut=[];          %测试输出矩阵

%对训练样本和测试样本进行归一化处理，区间为[-11]
[TestSamModips]=mapminmax（TrainingSample）;         
[TraingSamModips]=mapminmax（TestSample）;

%生成各层权值和阈值
Weight1=0.5*rands（HiddenSomaNumInputNum）;       %隐藏层权重    
ThresholdValue1=0.5*rands（HiddenSomaNum1）;      %隐藏层阈值
Weight2=0.5*rands（OutputNumHiddenSomaNum）;      %输出层权重
ThresholdValue2=0.5*rands（OutputNum1）;          %输出层阈值


for i=1:EpochsNum
    ErrorHistory=[];
    for j=1:TrainingSampleNum
        HiddenOutput=logsig（Weight1*TestSamModi（j）+ThresholdValue1）;     % 隐含层网络输出 
        OutlayerOut=Weight2*HiddenOut