学习BP神经网络，推荐先了解其中的数学原理：传送门————》
我是从0基础开始看MATLAB代码的，源码从《MATLAB神经网络43个案例分析》中获取，相对来说讲解得很清楚了，但是对于一穷二白的我来说还是一个很大的挑战，我已经尽己所能很认真地加了很多注释并且已经运行成功了，现在把源码贴出来：
如果我没有加注释的说明是很简单的了，只要百度一下就可以知道了~仅供参考，如果想copy代码的朋友到文末吧，我把所有资料都打包了
%% 清空环境变量
clc
clear
%% 训练数据预测数据提取及归一化
%下载输入输出数据
load data input output
%随机选择1900组训练数据和100组预测数据
%从1到2000间随机排序
k=rand(1,2000);%创建1行2000列服从0~1均匀分布的随机矩阵
[m,n]=sort(k);%m是从小到大排序后序列，排序结果放入m（1*2000）向量，n是m中各个元素在k中的下标
%找出训练数据和预测数据
input_train=input(n(1:1900),:)';%n(1:1900),:)表示取出input中1900行中的数值，单引号（'）表示转置矩阵，得到1*1900数据
output_train=output(n(1:1900));%n表示从1到1900的列，也就是取出output里的1*1900的数据
input_test=input(n(1901:2000),:)';
output_test=output(n(1901:2000));
%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);%inputn保存归一化后数据，inputps为训练数据的设置，后面可用于预测数据同样归一
[outputn,outputps]=mapminmax(output_train);
%% BP网络训练
%net=newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)
% %初始化网络结构
net=newff(inputn,outputn,5);%5个隐含层神经元
%TF节点传递函数，BTF训练函数，BLF网络学习函数，PF性能分析函数，IPF输入处理函数，OPF输出处理函数，DDF验证数据划分函数
net.trainParam.epochs=100;%设置训练训练次数，也就是迭代次数
net.trainParam.lr=0.1;%设置学习率
net.trainParam.goal=0.00004; % 训练目标最小误差
%网络训练
%[net,tr]=train(NET,X,T,Pi,Ai)%待训练网络，输入数据，输出数据，初始化输入层条件，初始化输出层条件，tr训练过程记录
net=train(net,inputn,outputn);
%% BP网络预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);%做相同的归一,apply
%网络预测输出
%y=sim(net,x)
an=sim(net,inputn_test);%an得到网络预测数据
%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);
%% 结果分析
figure(1)%figure是建立图形的意思，系统自动从1，2，3，4...来建立图形，数字代表第几幅图形
plot(BPoutput,':og')%：表示用虚线，o表示数据点用圆圈显示，g是green
hold on %保留当前图的轴（坐标系），再画另一幅图，原来的图还在
plot(output_test,'-*');
legend('预测输出','期望输出')% 显示在使用指定的字符串 来标记每个数据设置。
title('BP网络预测输出','fontsize',12)
ylabel('函数输出','fontsize',12)
xlabel('样本','fontsize',12)
%预测误差
error=BPoutput-output_test;
figure(2)
plot(error,'-*')
title('BP网络预测误差','fontsize',12)
ylabel('误差','fontsize',12)
xlabel('样本','fontsize',12)
figure(3)
plot((output_test-BPoutput)./BPoutput,'-*');
title('神经网络预测误差百分比')
errorsum=sum(abs(error));
感觉用MATLAB写简单了很多，我之前看了C语言版本的，很长很复杂，推荐大家先在MATLAB学会了再回头学C语言的
我没有信心保证注释完全正确，以上代码仅供参考学习，你一定要带着批判的眼光来读，有错误请指出，我会虚心接受，在评论区分享，大家一起学习~
————————————————————————————————————————————————
