public int berechne(int x)
{
     return x*x;
}

public void setup()
{
    size(500,500);
    int z = 4;
    println("Hallo "+z+"*"+z+"="+berechne(z));
}
int x = 0;
public void draw()
{
   background(255,0,0);
   fill(0,0,255);
   ellipse(x,height/2,height/10,height/10);
   
   x = x+5;
   if(x>width)
      x = 0;
}

Code 0-1: Beispielsketch mit Processing

function out = sigmoid(u,d)
    out = 1 ./ (1 + exp(-d.*u));
endfunction

u = -3:0.1:3;

d = 0.1;
o1 = sigmoid(u,d);
plot(u,o1);

d = 1.0;
o1 = sigmoid(u,d);
plot(u,o1);

d = 10.0;
o1 = sigmoid(u,d);
plot(u,o1);

Code 0-2: Sigmoid-Test mit Scilab

        println("Für Neuronetz:");
        
        println("//d="+d[0]);
        println("double[][][] w = {");
        println("  {");
        println("      {"+w[0]+","+w[3]+"},");
        println("      {"+w[1]+","+w[2]+"}");
        println("  },");
        println("  {");
        println("      {"+w[6]+","+w[8]+"},");
        println("      {"+w[7]+","+w[9]+"}");
        println("  },");
        println("  {");
        println("      {"+w[4]+","+w[5]+"}");
        println("  },");
        println("                 };");

     Neuronetz002 LIEFERT (Konsolenausgabe):
     in: -1 -1 out:0.49919913641136243 in Testprogramm vorher: 0.49919912471348593
     in: -1 1 out:0.5039652060903305 in Testprogramm vorher: 0.5039651950719938
     in: 1 -1 out:0.5000185760112115 in Testprogramm vorher: 0.5000185751153124
     in: 1 1 out:0.4999772392646055 in Testprogramm vorher: 0.4999772380555142     

Code 0-3: Umwandlung der Gewichte aus Test011Schrittweitensteuerung_fuer_neuronetz in das Format von Neuronetz / Konsolenausgabe aus Neuronetz002

Lade Lernpattern aus Datei lernpatternXgewinnt.txt
Lernpattern fertig geladen!
Verhalten VOR Backpropagation und VOR Pretraining:
**** TEST **** 
FEHLER AKTUELL = 97504.00024508747
Verhalten VOR Backpropagation NACH Pretraining:
**** TEST **** 
FEHLER AKTUELL = 54697.41006160564
Verhalten NACH Backpropagation:
**** TEST **** 
FEHLER AKTUELL = 16126.029159320402

Code 0-4: Ausgabe