%N=input(\'設定隱含層神經元個數:\\n\'); 
%maxecho=input(\'最大訓練回合數\'); 
%網絡初始化 
N=4;%可以自己設定 
maxecho=4000; 
h=0.4;%學習速率 
%輸入訓練樣本[x,y] 
TS=[]; 
%輸入預測樣本[x,y] 
PS=[]; 

[tsm,tsn]=size(TS); 
p=TS(:,1:tsn-1); %提取供訓練的x 
t(:,1)=TS(:,tsn);%提取供訓練的y 
[pm,pn]=size(p); 

inw=randn(N,pn+1);%輸入-隱含權值矩陣,輸入并加上了偏置一列 
ins=zeros(N,1);%隱含得到的誘導矩陣 
outg=zeros(N,1);%反向傳到回至輸入的delta值 
outs=zeros(N,1);%隱含輸出的矩陣 
outw=randn(1,N+1);%隱含輸出權值矩陣(加上一個偏置) 
outv=zeros(1,1);%輸出得到的誘導矩陣 
outy=zeros(1,1); 
backg=zeros(1,1);%反向傳至隱含層的delta值 
%m=1; 
n=0; 
%開始樣本訓練 
%for x=1:maxecho 
while(n0.0002) 
%m=0; 
for i=1:pm 
ins=inw*[p(i,:)\';1]; 
outs=1./(1+exp(-ins)); 
outv=outw*[outs;1]; 
outy=1./(1+exp(-outv)); 
pout(i,1)=outy; %網絡學習的輸出 
backg=(t(i,1)-outy)*(outy.*(1-outy)); 
outg=(outs.*(1-outs)).*(outw(:,1:N)\'*backg); 
outw=outw+h*backg*[outs;1]\'; 
inw=inw+h*outg*[p(i,:),1]; 
%m=m+(t(i,1)-outy)^2; 
end 
n=n+1; 
end 
%開始樣本測試 
[psm,psn]=size(PS); 
textp=PS(:,1:psn-1);%供預測的x 
textt(:,1)=PS(:,psn); %供預測的y 
[tm,tn]=size(textp); 

for i=1:tm 
ins=inw*[textp(i,:)\';1]; 
outs=1./(1+exp(-ins)); 
outv=outw*[outs;1]; 
outy=1./(1+exp(-outv)); 
textout(i,1)=outy; %預測輸出y 
% error(i,1)=abs(textt(i,1)-textout(i,1)); 
end 
y1=pout; 
y2=textout;