%使用BP神經網絡來對函數：y?=?sin（x1）+cos（x2）進行逼近

clc;?%清屏??
close?all;?%關閉已打開的所有視圖窗口
clear?all;?%清除工作空間中的所有變量

l?=?0.1;
Input1?=?-2?:?l?:?2;?
Input2?=?-2?:?l?:?2;?%網絡的訓練樣本

[feature1??sample1]?=?size（Input1）;?%得到網絡的輸入特征數以及訓練網絡所用的樣本數
[feature2??sample2]?=?size（Input2）;
input?=?feature1?+?feature2;?%輸入層的節點數（即輸入的特征個數）
sample?=?sample1?*?sample2;?%訓練樣本數
middle?=?19;?%隱含層的節點數=19，這一層的激勵函數選用Sigmoid函數
output?=?1;?%輸出層的節點數=1，這一層的激勵函數選用線性函數

%初始化隱含層及輸出層對應的權重和閾值矩陣
weight2?=?rand（output??middle）?-?2?*?rand（output??middle）;?%初始化輸出層對應的權重矩陣
weight1?=?rand（middle??input）?-?2?*?rand（middle??input）;?%初始化隱含層對應的權重矩陣
thre2?=?rand（output??1）?-?2?*?rand（output??1）;?%初始化輸出層對應的閾值矩陣
thre1?=?rand（middle??1）?-?2?*?rand（middle??1）;?%初始化隱含層對應的閾值矩陣

RunCnt?=?0;?%運行次數
e1?=?0;?%逼近誤差
MaxError?=?0.05;?%網絡可容忍的逼近誤差的最大值
assistS1?=?zeros（middle??middle）;?%存儲變量以輔助計算s1
assistS2?=?zeros（output??output）;?%存儲變量以輔助計算s2
alpha?=?0.1;?%網絡的學習率

%程序的主循環
while（RunCnt?????e1?=?0;?%每一次樣本循環開始時，將樣本的逼近誤差置為零
????for?i?=?1?:?sample1?%根據每一個訓練樣本對網絡進行更新
????????for?j?=?1?:?sample2
????????netMiddle?=?weight1?*?[Input1（:??i）?;?Input2（:??j）]?+?thre1;?%計算隱含層的輸出
????????netMiddle?=?1?./?（1?+?exp（-netMiddle））;?%經過激勵函數之后的隱含層的輸出，隱含層的激勵函數為logistic函數
????????netOutput?=?weight2?*?netMiddle?+?thre2;?%計算網絡前向傳播中輸出層的值
????????
????????assistS1?=?diag（（1?-?netMiddle）?.*?netMiddle）;
????????assistS2?