神经网络在R语言 实现

haviet

ti<-proc.time()
/ `2 Y  \- S& D- Y$ |: Z$ b5 u1 @BP_one_output<-function(input,output,m,fth,sth,w,v){
# h% R. p# w3 @$ Z        x<-input;#7*8
$ J/ b4 W/ J' B( Q        y<-output;#8*1，y为向量，每一元素为一个样本输出值
        theta<-fth;#11*1
        gama<-sth;#标量
        if(m!=length(theta)) print("阈值长度错误！")
        x<-rbind(x,t(rep(-1,ncol(x))));#8*8导致x的最后一列为阈值theta的权重
: n* D% m( k9 p" {        K<-nrow(x);#8一组样本的维数
        J<-ncol(x);#8一共有多少组样本
        w<-rbind(w,t(theta));#由7*11变为8*11
# ^1 q; @. f4 _+ k- Q. O        v<-c(v,gama);#由11变为12，但请记住：在隐含层增加一个值为-1的节点，但与输入层并未连接
#定义函数f
) W. K& L, X  i+ j8 c        f<-function(h) 1/(1+exp(-h));
: _. O& e  `* k/ I3 \5 d: ~        epsilon<-alpha<-0.5;
        N<-0;#重复学习次数的计数
. m8 N5 k3 |) H9 k        ei<-as.numeric();#记录每次迭代的平均残差平方和
4 j: P: I, C  }9 j4 t! t        FW<-1;
        while((FW/J)>=0.001){
                Z1<-t(w)%*%x;#11*8矩阵，每一列为一组样本
                Y1<-apply(Z1,c(1,2),f);#11*8矩阵，每一列为一组样本在隐含层的值, a matrix 1 indicates rows,
                                                                                        #2 indicates columns, c(1, 2) indicates rows and columns
                Z2<-t(v)%*%rbind(Y1,t(rep(-1,ncol(Y1))));#8*1向量，每个元素为隐含层对输出层的加权值
                D<-f(Z2);#向量，每一元素为一组样本的一个输出值
                b<-y-D;
                #J组样本的学习
2 D2 c* @& b* p                #向量，输出层对隐含层的权值的偏导
                FW<-pFW2<-pFW2t_1<-0;
                pFW1t_1<-matrix(0,nrow(w),ncol(w));#矩阵，隐含层对输入层权值的偏导
                for(t in 1:J){
                        B3<-b[t];
                        FW<-FW+B3*B3;#标量
& b  [& o& E8 \2 r                        B2<-f(Z2[t])*(1-f(Z2[t]))*B3;#标量
                        pFW2<--2*c(Y1[,t],-1)*B2;#12*1向量隐含层对输出层的权重偏导,此时多了一个阈值项
                        if(t==1) v<-v-0.5*epsilon*pFW2
- f. F" ^+ o6 b, ~                        else{
. q  d. p# j4 B7 V                                v<-v-0.5*epsilon*pFW2+alpha*(-0.5*epsilon*pFW2t_1);
                                pFW2t_1<-pFW2;
; D9 h1 T( o- B# Z8 L                        }
, _+ ?3 j/ |: m) W3 v$ W                        B1<-diag(f(Z1[,t])*(1-f(Z1[,t])))%*%v[1length(v)-1)]*B2;#11*1隐含层多出来的一个节点即阈值节点并未与输入层相连
                        pFW1<--2*x[,t]%*%t(B1)#8*11输入层对隐含层的权重偏导
2 u8 s. n9 o- n; h$ \% w9 g0 L                        if(t==1) w<-w-0.5*epsilon*pFW1
                        else{
. E4 E, H4 x* e; u* G                                w<-w-0.5*epsilon*pFW1+alpha*(-0.5*epsilon*pFW1t_1);
                                pFW1t_1<-pFW1;
                        }
. J2 t8 W) N! H) i                }
                N<-N+1;
                ei[N]<-FW/J;
        }
- Y0 R) R4 v0 ?! J( t7 G4 f        theta<-w[nrow(w),];#隐含层阈值
        gama<-v[length(v)];#输出层阈值
        w<-w[1nrow(w)-1),];#输入层对隐含层的权重
        v<-v[1length(v)-1)];#隐含层对输出层的权重
) [4 A; C2 F, i( B7 K0 ]        list(theta,gama,w,v,N,FW/J,ei)
+ N9 Z$ O, ~- b3 t8 c5 M' Q}
x<-cbind(x1,x2,x3,x4,x5,x6,x7);
x<-t(x);
  `5 }; x( n' u$ e8 J, ]/ dhidden_threshold<-runif(11);
output_threshold<-runif(1);
w<-matrix(runif(77),7,11);
v<-runif(11);
result<-BP_one_output(x,y,11,hidden_threshold,output_threshold,w,v);
; O& B/ O' S  }1 U6 V#输出
- [/ [* o4 W5 w+ z2 q! ^9 ~8 gcat("\n");
8 {" t/ u( i4 M7 t/ V7 L* fcat("隐含层阈值theta","\n",result[[1]],"\n");
; s* ^. b. l- v, o( ncat("输出层阈值gama","\n",result[[2]],"\n");
w<-as.matrix(result[[3]],7,11);
: y1 V% {6 w* p' ~+ r9 I* y! v  Ucat("输入层对隐含层的权重w","\n");
6 A$ s' ]; P" U" [w;
cat("\n");
cat("隐含层对输出层的权重v","\n",result[[4]],"\n");
& {2 Z4 s4 [# ^; kcat("迭代次数N" ,"\n",result[[5]],"\n");
cat("学习误差FW","\n",result[[6]],"\n");
cat("每次迭代的误差","\n");
' o! _* s( F6 Y: g+ n( eplot(result[[7]],type="l",ylab="每次学习误差",xlab="反复学习的次数");
3 V  [' `! a/ Y( x: U8 _proc.time()-ti

廷植斌_972

支持~~顶顶~~~

Esmtih

运行不了啊？

黄窗帘

就看看，不说话。

凌chers

能不能解释一下呢？

兰竹李乐

这牛逼的你自己编的吗