%% 构建人工神经网络

% input_train,网络的输入，1500个样本，每个样本24个因子

% output_train,网络的输出，与输入样本数相同为1500个，每个输出有4个因子

in_num=24;%输入的因子数

mid_num=25;%中间层的个数

out_num=4;%输出的因子数

W1=rands(mid_num,in_num);%每个输入对中间层的权重

TD1=rands(1,mid_num);%中间层的阈值

W2=rands(out_num,mid_num);%中间层对输出的权重

TD2=rands(1,out_num);%输出的阈值

%学习率

xite=0.1;%权重的学习率

alfa=0.01;%阈值的学习率

loop_num=100;%训练迭代的次数

%% 网络训练

for loop=1:loop_num

    for index=1:1500

        input=input_train(index,:);

        % 计算中间层输出

        mid_out=input*W1'+TD1;

        mid_out=1./(1+exp(-mid_out));

        % 计算网络的输出

        output=mid_out*W2'+TD2;

        output=1./(1+exp(-output));

        % 计算权重的下降梯度

        E= output_train(index,:) - output;

        dW2 = E .* output .* (1 - output) * xite;

        dW1 = dW2 * W2 .* mid_out .* (1-mid_out) * xite;

        % 更新权重

        W2=W2 + diag( dW2) * repmat(mid_out,out_num,1);

        W1=W1 + diag(dW1) * repmat(input,mid_num,1);

        % 更新阈值

        TD2=TD2+dW2*xite;

        TD1=TD1+dW1*xite;

    end

end