有了上篇的基本理论之后，我们可以尝试去代码实现基本的一个BPN算法。

         具体的算法代码，后面给出。就像前面说过的，有几个东西需要调节注意的，学习率和惯性因，初始权值和阈值，收敛误差界值Emin。这几个问题其实是很多类似算法都遇到的问题，细节这里不多说。下面给出一个简单的java实现，具体的学习过程没有完全写下来。

public class NN {
public int inputNum;//输入节点数
public int hiddenNum;//隐层节点数
public int outputNum;//输出节点数
public double inputs[] = new double[inputNum];//输入向量
public double outputs[] = new double[outputNum];//输出结果
public double hiddens_prev[] = null;//隐层计算结果
public double outputs_prev[] = null;//输出计算结果

public double ih_w[][] = null;//输入-隐层权值
public double ho_w[][] = null;//隐层-输出权值

public double hiddens_err[] = null;//隐层误差
public double outputs_err[] = null;//输出误差
public static final double rate = 0.9;//学习速率

public void init() {
hiddens_prev = new double[hiddenNum];
outputs_prev = new double[outputNum];
ih_w = new double[inputNum][hiddenNum];
ho_w = new double[hiddenNum][outputNum];
hiddens_err = new double[hiddenNum];
outputs_err = new double[outputNum];
for (int i = 0; i < inputNum; i++) {
ih_w[i] = new double[hiddenNum];
for (int h = 0; h < hiddenNum; h++) {
hiddens_err[h] = 0;
ih_w[i][h] = Math.random() - 0.5;
}
}
for (int h = 0; h < hiddenNum; h++) {
ho_w[h] = new double[outputNum];
for (int o = 0; o < outputNum; o++) {
outputs_err[o] = 0;
ho_w[h][o] = Math.random() - 0.5;
}
}
}

public void forward() {
for (int h = 0; h < hiddenNum; h++) {
double d = 0;
for (int i = 0; i < inputNum; i++) {
d += ih_w[i][h] * inputs[i];
}
hiddens_prev[h] = active(d);
}
for (int o = 0; o < outputNum; o++) {
double d = 0;
for (int h = 0; h < hiddenNum; h++) {
d += ho_w[h][o] * hiddens_prev[h];
}
outputs_prev[o] = active(d);
}
}

public void calcError() {
// output error
for (int o = 0; o < outputNum; o++) {
outputs_err[o] = outputs_prev[o] * (1 - outputs_prev[o])
* (outputs[0] - outputs_prev[o]);
}
// hidden error
for (int h = 0; h < hiddenNum; h++) {
double d = 0;
for (int o = 0; o < outputNum; o++) {
d += outputs_err[0] * ho_w[h][o];
}
hiddens_err[h] = hiddens_prev[h] * (1 - hiddens_prev[h]) * d;
}
}

public void updateWeight() {
for (int h = 0; h < hiddenNum; h++) {
for (int o = 0; o < outputNum; o++) {
ho_w[h][o] += rate * outputs_err[o] * hiddens_prev[h];
}
}

for (int i = 0; i < inputNum; i++) {
for (int h = 0; h < hiddenNum; h++) {
ih_w[i][h] += rate * hiddens_err[h] * inputs[i];
}
}
}


//激活函数，使用simoid函数
public double active(double d) {
return 1 / (1 + Math.exp(-d));
}

public static void main(String[] args) {
NN n = new NN();
n.inputNum = 2;
n.hiddenNum = 3;
n.outputNum = 1;
n.inputs = new double[] { 1, 1 };
n.outputs = new double[] { 1 };

n.init();
for (int i = 0; i < 100; i++) {
n.forward();
n.calcError();
n.updateWeight();
print(n.outputs_prev);
}
}

public static void print(double d[]) {
for (double dd : d) {
System.out.print(dd + ",");
}
System.out.println();
}
}

         整个过程还是比较直接的，关键是有助于理解BP算法的过程，代码只有简单的注释，通过函数名称就知道是干什么的。

         除了自己代码实现外，还有很多工具可以帮助我们实现和理解神经网络算法，现在举例说明下。

         1.，R神经网络算法分类

          2，SPSS神经网络分类