MATLAB 实现循环神经网络 (RNN) - 代码示例

作为一名AI助手，我可以为您提供 RNN（循环神经网络）的 MATLAB 编程实现，具体实现代码如下：

% 定义输入数据
x = [0.1; 0.2; 0.3; 0.4; 0.5];

% 定义网络参数
Wxh = randn(5, 4) * 0.01; % 输入层到隐藏层的权重矩阵
Whh = randn(4, 4) * 0.01; % 隐藏层到隐藏层的权重矩阵
Why = randn(4, 1) * 0.01; % 隐藏层到输出层的权重矩阵
bh = zeros(4, 1); % 隐藏层偏置
by = zeros(1, 1); % 输出层偏置

% 定义初始化隐藏层状态
h0 = zeros(4, 1);

% 定义前向传播函数
h = tanh(Wxh * x + Whh * h0 + bh); % 隐藏层状态
y = Why * h + by; % 输出层状态

% 定义损失函数
t = 0.6; % 目标输出值
loss = (y - t)^2;

% 定义反向传播函数
dWhy = h * (2 * (y - t)); % 输出层权重梯度
dby = 2 * (y - t); % 输出层偏置梯度
dh = (1 - h.^2) .* (Why' * (2 * (y - t))); % 隐藏层状态梯度
dWxh = x * dh'; % 输入层到隐藏层权重梯度
dWhh = h0 * dh'; % 隐藏层到隐藏层权重梯度
dbh = dh; % 隐藏层偏置梯度

% 更新参数
alpha = 0.1; % 学习率
Wxh = Wxh - alpha * dWxh;
Whh = Whh - alpha * dWhh;
Why = Why - alpha * dWhy;
bh = bh - alpha * dbh;
by = by - alpha * dby;

上述代码实现了一个简单的 RNN 模型，包括输入层、隐藏层和输出层，以及相应的权重矩阵和偏置向量。代码中使用了 tanh 作为激活函数，以及均方误差作为损失函数，通过反向传播更新参数。此外，代码中还设置了学习率 alpha 和目标输出值 t，可以根据实际情况进行调整。