之前写了一段1-6-1单点学习网络，但该网络只有学习能力没有预测能力，这3天把神经网络原理重新吃透，自己编写了多点学习预测网络代码，其实大同小异，只不过把目标函数从单点误差改成多点误差，其余的阈值、权值梯度全部和单点学习程序一样的，现将两个程序附上，以供大家对比研究，值得提的是，两个程序的输入是大有不同的，第一个输入是要拟合的函数真实的输入，而第二个程序的输入则是随机值，一旦选定，程序运行中则不发生变化，所以第二个程序没有预测功能的，只能学习。

%第一个程序：多点学习拟合预测网络

%第二个程序：单点学习逼近网络

%功能：1-6-1网络逼近正弦曲线，采取单点逼近法

%版本号：v1.3

%作者：陈颖频

%版权：闽南师范大学

%时间：2015.6.27

clear all;

clc;

w_ij=[.011; -.019; -.016;.017; .021; .013];   %输入层到隐层权值

w_jk=[.018;.09;.09;.07;.08;.09] ;             %隐层到输出层权值

h_theta=[-0.1 ;0.02; 0.012; 0.014 ;-0.02 ;0.02];     %隐层阈值

out_theta=.2;    %输出层阈值                            

e2=0;

a1=0.02;a2=0.02;M=60;

%+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

for m=1:M        

yp=sin(pi*0.04*m);

p=0.3;   %这个输入可以是0到1的随机值，和上面的预测拟合网络大有不同

for  k=1:4000                         %训练次数

h=tanh(w_ij*p+h_theta).';   %隐层输出

y=tanh(h*w_jk+out_theta);      %输出层输出

e2=[(yp-y)^2]/2;       %当次训练误差

if e2<0.00005, a1=0;a2=0; else, a1=0.02;a2=0.02; end;  

deta_k=(1+y)*(1-y)*(yp-y);%计算输出层误差反传信号

out_theta=out_theta+a2*deta_k;

w_ij=w_ij+a1*deta_k*p;

 for  i=1:6  

     w_jk(i)=w_jk(i)+a2*deta_k*h(i);

 end

 for   i=1:6    

     deta_j=(1+h(i))*[1-h(i)]*deta_k*w_jk(i);

     h_theta(i)=h_theta(i)+a1*deta_j;    

 end  

if  e2<=.00005  break;end

end

ypp(m)=yp;

yom(m)=y;

e3(m)=e2;

end

%grapher

m=1:M;subplot(4,1,1);plot(ypp);ylabel('ypp'),

subplot(4,1,2);plot(m,yom,m,yom,'rx');ylabel('yom'),

subplot(4,1,3);plot(e3);ylabel('e3');

subplot(4,1,4);plot(m,ypp,m,yom,'gx');xlabel('m'),ylabel('ypp&yom'),

legend('ypp=sin(2*pi*m/50)','yom=output of NN');