数据生成 | Matlab实现基于SNN浅层神经网络的数据生成

% 设置数据生成参数
numSamples = 1000; % 数据样本数量
inputSize = 2; % 输入特征维度
outputSize = 1; % 输出标签维度

% 生成输入特征
X = rand(numSamples, inputSize); % 替换为实际的输入特征生成方法

% 定义SNN模型参数
numHiddenUnits = 10; % 隐藏层单元数量
learningRate = 0.1; % 学习率
numEpochs = 100; % 迭代次数

% 初始化网络权重
W1 = rand(inputSize, numHiddenUnits);
b1 = rand(1, numHiddenUnits);
W2 = rand(numHiddenUnits, outputSize);
b2 = rand(1, outputSize);

% 训练SNN模型
for epoch = 1:numEpochs
% 前向传播
hiddenActivations = sigmoid(X * W1 + b1);
outputActivations = sigmoid(hiddenActivations * W2 + b2);

% 计算损失函数（均方误差）
loss = mean((outputActivations - X).^2);

% 反向传播
outputDelta = (outputActivations - X) .* sigmoidDerivative(outputActivations);
hiddenDelta = (outputDelta * W2’) .* sigmoidDerivative(hiddenActivations);

% 更新权重
W2 = W2 - learningRate * hiddenActivations’ * outputDelta;
b2 = b2 - learningRate * sum(outputDelta);
W1 = W1 - learningRate * X’ * hiddenDelta;
b1 = b1 - learningRate * sum(hiddenDelta);
1
2
3
4
5
6
7
8
9
10
11
12
end

% 使用训练好的SNN模型生成数据
generatedData = sigmoid(sigmoid(X * W1 + b1) * W2 + b2);

% 打印生成的数据
disp(generatedData);

% 定义Sigmoid激活函数
function y = sigmoid(x)
y = 1 ./ (1 + exp(-x));
end

% 定义Sigmoid激活函数的导数
function y = sigmoidDerivative(x)
y = sigmoid(x) .* (1 - sigmoid(x));
end生成