#include "iostream.h"3 ]3 O* u) Z8 `/ T7 b$ F #include "iomanip.h"+ V8 ]3 o, I& A: b/ _: f w #define N 20 //学习样本个数1 u# m, q0 b: K4 \- ] #define IN 1 //输入层神经元数目0 H+ M6 d; ?% O/ n #define HN 8 //隐层神经元数目 #define ON 1 //输出层神经元数目 double P[IN]; //单个样本输入数据0 {4 B" v1 T, Y3 Y double T[ON]; //单个样本教师数据 double W[HN][IN]; //输入层至隐层权值 double V[ON][HN]; //隐层至输出层权值 double X[HN]; //隐层的输入5 o1 I5 G4 B2 R, a$ C5 n, E double Y[ON]; //输出层的输入, |" Z) i. n& x4 c5 H" S2 V, ?6 ~ double H[HN]; //隐层的输出' ]& H _' ~9 q7 ]1 a* J" x double O[ON]; //输出层的输出 double sita[HN]; //隐层的阈值4 K8 `' F$ l+ a; O: t) X double gama[ON]; //输出层的阈值 ^0 E" S. u% j2 B' l: ]: l double err_m[N]; //第m个样本的总误差 double alpha; //输出层至隐层的学习效率 double beta; //隐层至输入层学习效率4 B" Q4 M6 E5 Q5 F //定义一个放学习样本的结构 struct {# W- P2 `( H: D4 ] double input[IN]; double teach[ON];" D7 _6 U3 G8 Q9 u$ I. B }Study_Data[N][IN];$ o- E2 n& f$ j% } F0 s; R ///////////////////////////8 d7 j$ ^ p$ A2 J- [ //初始化权、阈值子程序///// ///////////////////////////- _. x/ {' Z6 S8 s3 |- l initial() C$ I$ M8 X* C& K8 J { float sgn; float rnd; int i,j;! T+ _) G& W1 e7 y) w //隐层权、阈值初始化//6 J x7 Y) v! X2 m4 {, I6 l {8 C" Q1 {, \; R j7 f //sgn=pow((-1),random(100));/ Y. i5 b4 T: D1 s4 w. D! I sgn=rand();. t" U- |1 s' O! B: k rnd=sgn*(rand()%100); W[j]= rnd/100;//隐层权值初始化。% n* D2 Q3 d2 k/ X1 K }' R$ ~( V3 i: Q( i# n //randomize(); { //sgn=pow((-1),random(1000));; X3 D! t5 z4 g# R/ r9 q7 Z1 C sgn=rand();% o6 Z9 s I( e rnd=sgn*(rand()%1000);% W, d2 d; s8 s6 y sita[j]= rnd/1000;//中间层阈值初始化; G6 L4 x0 E! a- d4 h$ ^ cout<<"sita"<<sita[j]<<endl;1 h& X$ y2 {1 |+ e$ Y }' H) J4 @- |/ z9 X //输出层权、阈值初始化// //randomize(); for (int k=0;k<ON;k++)! ~- k" M4 u3 z5 u8 R for (int j=0;j<HN;j++) ) {7 u: E5 h" P" r* v { //sgn=pow((-1),random(1000)); sgn=rand(); rnd=sgn*(rand()%1000); V[k][j]=rnd/1000;//第m个样本输出层权值初始化: I( s3 M9 ^% K, X' H, i, z } //randomize();( E- ?0 K6 |+ a0 p {2 \: o9 F# a& J' @# n; W8 a //sgn=pow((-1),random(10)); sgn=rand(); rnd=sgn*(rand()%10); gama[k]=rnd/10;//输出层阈值初始化; I- \9 ~' A# k; K" A" N. ` cout<<"gama[k]"<<endl; }; [+ F7 |. {% m* q return 1; }//子程序initial()结束
) I7 X% t) ?$ B9 I: n. f$ u7 k% T6 T ///////////////////////////////// j; [ L2 ?, t
////第m个学习样本输入子程序///# B# }# q. O/ M! N- Q- X. [
///////////////////////////////5 ]3 R/ C, w: o: k. S
input_P(int m)/ L3 G( p, _ A f7 G
{
for (int i=0;i<IN;i++)7 K- G1 ^! _) j( m
P=Study_Data[m]->input;/ R9 a0 b1 G; S5 L* o
//获得第m个样本的数据7 M0 _9 ]% O6 ? c
//cout<<"第"< //fprintf(fp,"第%d个样本的学习输入：
//P[%d]=%f\n",m,P);
return 1;
}//子程序input_P(m）结束
/////////////////////////////2 j: Y {4 y: ]% H5 N" E
////第m个样本教师信号子程序// B9 z( p+ q" i$ _
/////////////////////////////
input_T(int m)
{
for (int k=0;k<m;k++)
T[k]=Study_Data[m]->teach[k]; B) `- ?. L. E# E5 X) T+ v* I
//cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]);
return 1;+ q& Y" Q. U7 r7 W1 E4 \) R
}//子程序input_T(m)结束
/////////////////////////////////
//隐层各单元输入、输出值子程序///- I6 N: U3 p& r m
/////////////////////////////////% D0 e+ j8 L _- X. |/ I' ^
H_I_O(){
double sigma;' c; s. T1 E* ?. h/ ?& }* P
int i,j;
for (j=0;j<HN;j++)" C" l1 W f4 W2 f$ f* N
sigma=0.0;
for (i=0;i<IN;i++); |) A7 n* w4 u9 x8 P6 {
sigma+=W[j]*P;//求隐层内积
}; b7 ?2 X, i; O# I; j
X[j]=sigma - sita;//求隐层净输入% M V0 t+ B6 { k& U
H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出
}% t: P/ \7 u$ i5 I7 q
return 1;
}//子程序H_I_O()结束9 ^, W7 E) c9 S$ ~3 A7 p
///////////////////////////////////
//输出层各单元输入、输出值子程序///9 @! m/ G F# R2 j0 d9 x
///////////////////////////////////
O_I_O()8 h( B; {4 r5 W2 J7 m9 N
{ a; G8 G7 J2 Q$ [ d% c
double sigma;; n- q: H2 h# F* b, s
for (int k=0;k<ON;k++)
sigma=0.0;' S' ]" R0 T5 {4 U# C) v
for (int j=0;j<HN;j++)+ C' q8 e; L" H- A0 u
sigma+=V[k][j]*H[k];//求输出层内积 v$ U7 i3 W* E9 `/ H
}7 |# J; H* t# \& b, E( F0 e# x
Y[k]=sigma-gama[k]; //求输出层净输入
O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出
}
return 1;' B; K7 Z1 u( b5 r
}//子程序O_I_O()结束
////////////////////////////////////
//输出层至隐层的一般化误差子程序////
////////////////////////////////////: g" m' x) z! W
double d_err[ON];
Err_O_H(int m)- d9 l8 _) j5 x: w
{
double abs_err[ON];//每个样本的绝对误差都是从0开始的
double sqr_err=0;//每个样本的平方误差计算都是从0开始的
//for (int output=0;output<ON;output++) //output???, l9 @& v7 C; L2 d. h/ X4 j# Z9 u
for (int k=0;k<ON;k++)9 }7 Z- F$ z; L3 ^+ [0 m
abs_err[k]=T[k]-O[k];+ M8 e& q9 \' s. i& K
//求第m个样本下的第k个神经元的绝对误差
sqr_err+=(abs_err[k])*(abs_err[k]);//求第m个样本下输出层的平方误差. P# x, n; ]5 p: x. I3 }- ]
d_err[k]=abs_err[k]*O[k]*(1.0-O[k]);//d_err[k]输出层各神经元的一般化误差
}
err_m[m]=sqr_err/2;//第m个样本下输出层的平方误差/2=第m个样本的均方误差
return 1;
}//子程序Err_O_H(m)结束- y6 r! ]" U) f) b
////////////////////////////////////7 K% o( x1 V0 {0 C0 _/ o9 A I
//隐层至输入层的一般化误差子程序////, O* W' [) p8 L4 |5 _
////////////////////////////////////
double e_err[HN];' \2 h9 z% R0 E$ w, z& Z
Err_H_I(){4 p# J( [: Y6 i; i& J" U
double sigma;
//for (int hidden=0;hidden
for (int j=0;j<HN;j++)
sigma=0.0;
for (int k=0;k<ON;k++) # a/ U; V _ o: W( K: E2 Q& z
sigma=d_err[k]*V[k][j];
}
e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差
}
return 1;( ^. Q3 k0 F v# R; @. _) c
}//子程序Err_H_I()结束* I9 s& e9 B; x& _+ W8 z
////////////////////////////////////////////////////////. _- ~2 g% m9 Q- I7 z
//输出层至隐层的权值调整、输出层阈值调整计算子程序//////
////////////////////////////////////////////////////////
Delta_O_H(int m,FILE* fp)7 w. H5 x! c/ ^2 L6 R8 A+ C
{+ b4 X- N/ b( M: d" P8 X$ Q/ }
for (int k=0;k<ON;k++): Q! E" W h3 m7 a, w h
for (int j=0;j<HN;j++)6 \: R- r6 o) T0 x0 ~
//cout<<"第"<
fprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,W[k][j]);" `2 Y2 I* G) K# X2 @* C+ J
V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整) c( i( w y2 O/ G3 I( `6 ~
}
gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整
}0 K& b; F& P7 v% r4 J
return 1;
}//子程序Delta_O_H()结束
/////////////////////////////////////////////////////0 ~1 D Q# A L6 o1 n
//隐层至输入层的权值调整、隐层阈值调整计算子程序/////
/////////////////////////////////////////////////////* D# R y6 j' v
Delta_H_I(int m,FILE* fp)
{3 H' ~2 H6 G* M: P" Q8 q& ~
for (int j=0;j<HN;j++)9 p) J1 w, r" v/ @
for (int i=0;i<IN;i++)
//cout<<"第"< fprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,V[j]);
W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整1 z$ Q. o2 ]& p f7 K
}* }. X+ o# s! M7 q6 V: D% s
sita[j]+=beta*e_err[j];5 H- ]* ?% s1 I9 z( F+ S8 s
}
return 1;5 X* E) s2 d5 P' _* \( |
}//子程序Delta_H_I()结束
/////////////////////////////////$ q, w* n0 `% ?
//N个样本的全局误差计算子程序////0 i$ c# p. p% Y; @1 |
/////////////////////////////////* @6 y; {/ y6 \# r
double Err_Sum()! o) b* i: _; o) l4 j8 I
{
double total_err=0;: O: ?( r2 I; h$ f2 {' g
for (int m=0;m<N;m++)
total_err+=err_m[m];//每个样本的均方误差加起来就成了全局误差$ d' s, @$ d* X5 X$ L5 _+ p
}
return 1;$ ], ^: C z" Y5 }
}//子程序Err_sum()结束: z) P/ I T9 v3 t: ?
/**********************/' Y( ~$ | j! Q3 \: z
/**程序入口，即主程序**/; D9 j0 K0 w C: }
/**********************/
main()- r4 q/ l- E( [/ j( Q T' j
{, R! G/ c/ k1 F0 M. _2 O% O
FILE *fp;0 O, V/ I4 ^9 w3 J9 Z' [$ I4 M
double sum_err;2 |) `7 u1 @; F- Y; b6 C) M$ [
int study;//训练次数
if ((fp=fopen("bp.txt","a+"))==NULL)
{
printf("不能创建bp.txt文件!\n");
exit(1);7 t; ?3 ?6 S% [) a
}3 P& k( r q' U, W# W/ O9 Y& l' g
cout<<"请输入输出层到隐含层学习效率: alpha=\n";
cin>>alpha;% b, V& A. s7 S4 T- ^
cout<<"请输入隐含层到输入层学习效率: beta=\n";
cin>>beta;
int study=0; //学习次数& A' j0 k& s- C% Q
double Pre_error ; //预定误差
cout<<"请输入预定误差: Pre_error= \n";
cin>>
re_error;! v+ X- P6 \; `( p/ H# S, v
int Pre_times;! Z" k8 ~! z" F5 a1 F j
cout<<"请输入预定最大学习次数
re_times=\n";
cin>>re_times;$ I) c5 \% B# Y
cout<<"请输入学习样本数据\n";
{
for (int m=0;m<N;m++)5 @8 k' _ p( m
cout<<"请输入第"<<m+1<<"组学习样本"<<endl;
for (int i=0;i<IN;i++)
cin>>Study_Data[m]->input;
}$ \# j0 _& C$ i0 S
{ ( \" U1 h( Z, G1 V7 V1 e
for (int m=0;m<N;m++)# ~+ s% f6 W6 \
cout<<"请输入第"<<m+1<<"组教师样本"<<endl;
for (int k=0;k<ON;k++)& L: a% @7 x6 \2 a1 X; C7 c
cin>>Study_Data[m]->teach[k];
}
initial(); //隐层、输出层权、阈值初始化 (1)
do: f) n# p+ R1 i/ M! _3 z
{0 g/ ^! }' B2 k' M A7 H1 n
++study; ///???9 C& e# n S r2 T9 }' @9 V0 d( n
for (int m=0;m<N;m++)
{
input_P(m); //输入第m个学习样本 (2)) @6 F% H' y4 y0 x! k
input_T(m);//输入第m个样本的教师信号 (3)
H_I_O(); //第m个学习样本隐层各单元输入、输出值 (4)# L) a% `0 @6 L" o: a
O_I_O(); //第m个学习样本输出层各单元输入、输出值 (5)
Err_O_H(m); //第m个学习样本输出层至隐层一般化误差 (6) 4 c5 u8 o: P2 }" ^! w& `6 G
Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (7)" M0 |& n R1 t7 c7 t; z
Delta_O_H(m,fp); //第m个学习样本输出层至隐层权阈值调整、修改 (8)
Delta_H_I(m,fp); //第m个学习样本隐层至输入层权阈值调整、修改 (9)
} //全部样本训练完毕
sum_err=Err_Sum(); //全部样本全局误差计算 (10)
{
cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl;
fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err);
}
while (sum_err > Pre_error) //or(study. _( X$ Q2 x5 V& K7 Q8 m
{ //N个样本全局误差小于预定误差否？ 小于则退出 (11)/ e/ B" d1 o9 E5 ~6 {: ?+ g: V A) m
cout<<"网络已经学习了"<<study<<"次,学习的均方误差为"<<sum_err<<endl;& J$ [* K ?, J6 L3 k/ r$ S
fprintf(fp,"网络已经学习了%d次，现在的全局误差为：%f\n",study,total_err);1 z( ^; Y: t$ L' i) ^
fclose(fp);: U6 @7 T# s+ O: n
}
char s;: L. G) K' d' D. P2 B0 P- f, g
cout<<"请随便输入一个字符，按回车退出程序！\n";
cin>>s;( x+ f5 [/ i! _0 K. s
return 1;
}