numberOfSample?=?20;?%輸入樣本數(shù)量
%取測試樣本數(shù)量等于輸入（訓(xùn)練集）樣本數(shù)量，因為輸入樣本（訓(xùn)練集）容量較少，否則一般必須用新鮮數(shù)據(jù)進行測試
numberOfTestSample?=?20;?
numberOfForcastSample?=?2;?
numberOfHiddenNeure?=?8;
inputDimension?=?3;
outputDimension?=?2;


%準備好訓(xùn)練集

%人數(shù)（單位：萬人）
numberOfPeople=[20.55?22.44?25.37?27.13?29.45?30.10?30.96?34.06?36.42?38.09?39.13?39.99?41.93?44.59?47.30?52.89?55.73?56.76?59.17?60.63];
%機動車數(shù)（單位：萬輛）
numberOfAutomobile=[0.6?0.75?0.85?0.9?1.05?1.35?1.45?1.6?1.7?1.85?2.15?2.2?2.25?2.35?2.5?2.6?2.7?2.85?2.95?3.1];
%公路面積（單位：萬平方公里）
roadArea=[0.09?0.11?0.11?0.14?0.20?0.23?0.23?0.32?0.32?0.34?0.36?0.36?0.38?0.49?0.56?0.59?0.59?0.67?0.69?0.79];
%公路客運量（單位：萬人）
passengerVolume?=?[5126?6217?7730?9145?10460?11387?12353?15750?18304?19836?21024?19490?20433?22598?25107?33442?36836?40548?42927?43462];
%公路貨運量（單位：萬噸）
freightVolume?=?[1237?1379?1385?1399?1663?1714?1834?4322?8132?8936?11099?11203?10524?11115?13320?16762?18673?20724?20803?21804];

%由系統(tǒng)時鐘種子產(chǎn)生隨機數(shù)
rand（‘state‘?sum（100*clock））;

%輸入數(shù)據(jù)矩陣
input?=?[numberOfPeople;?numberOfAutomobile;?roadArea];
%目標（輸出）數(shù)據(jù)矩陣
output?=?[passengerVolume;?freightVolume];

%對訓(xùn)練集中的輸入數(shù)據(jù)矩陣和目標數(shù)據(jù)矩陣進行歸一化處理
[sampleInput?minp?maxp?tmp?mint?maxt]?=?premnmx（input?output）;

%噪聲強度
noiseIntensity?=?0.01;
%利用正態(tài)分布產(chǎn)生噪聲
noise?=?noiseIntensity?*?randn（outputDimension?numberOfSample）;
%給樣本輸出矩陣tmp添加噪聲，防止網(wǎng)絡(luò)過度擬合
sampleOutput?=?tmp?+?noise;

%取測試樣本輸入（輸出）與輸入樣本相同，因為輸入樣本（訓(xùn)練集）容量較少，否則一般必須用新鮮數(shù)據(jù)進行測試
testSampleInput?=?sampleInput;
testSampleOutput?=?sampleOutput;

%最大訓(xùn)練次數(shù)
maxEpochs?=?50000;

%網(wǎng)絡(luò)的學(xué)習(xí)速率
learningRate?=?0.035;

%訓(xùn)練網(wǎng)絡(luò)所要達到的目標誤差
error0?=?0.65*10^（-3）;

%初始化輸入層與隱含層之間的權(quán)值
W1?=?0.5?*?rand（numberOfHiddenNeure?inputDimension）?-?0.1;
%初始化輸入層與隱含層之間的閾值
B1?=?0.5?*?rand（numberOfHiddenNeure?1）?-?0.1;
%初始化輸出層與隱含層之間的權(quán)值
W2?=?0.5?*?rand（outputDimension?numberOfHiddenNeure）?-?0.1;
%初始化輸出層與隱含層之間的閾值
B2?=?0.5?*?rand（outputDimension?1）?-?0.1;

%保存能量函數(shù)（誤差平方和）的歷史記錄
errorHistory?=?[];

for?i?=?1:maxEpochs
????%隱含層輸出
????hiddenOutput?=?logsig（W1?*?sampleInput?+?repmat（B1?1?numberOfSample））;
????%輸出層輸出
????networkOutput?=?W2?*?hiddenOutput?+?repmat（B2?1?numberOfSample）;
????%實際輸出與網(wǎng)絡(luò)輸出之差
????error?=?sampleOutput?-?networkOutput;
????%計算能量函數(shù)（誤差平方和）
????E?=?sumsqr（error）;
????errorHistory?=?[errorHistory?E];

????if?E?????????break;
????end

????%以下依據(jù)能量函數(shù)的負梯度下降原理對權(quán)值和閾值進行調(diào)整
????delta2?=?error;
????delta1?=?W2‘?*?delta2.*hidd