神经网络在R语言 实现

haviet

ti<-proc.time()
BP_one_output<-function(input,output,m,fth,sth,w,v){
6 y# @5 A9 t* u9 J        x<-input;#7*8
        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
" W( Q0 C& s  O$ Z" I* {, D' }        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
        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
. P8 Y1 e& S! U7 ?; U        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
3 W9 n: s; [4 q$ @0 z4 }#定义函数f
        f<-function(h) 1/(1+exp(-h));
; i# I( C3 Q& O! W        epsilon<-alpha<-0.5;
        N<-0;#重复学习次数的计数
- t5 A3 p) L5 ]0 @$ E/ ]) r0 y  T        ei<-as.numeric();#记录每次迭代的平均残差平方和
        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
                #向量，输出层对隐含层的权值的偏导
- _% G/ F/ x# a  f$ |7 e  a7 ]/ x                FW<-pFW2<-pFW2t_1<-0;
, L- I+ F% c: f% @6 |% w                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){
0 d3 Q3 W! W: K  Y: x                        B3<-b[t];
8 T) q% ]- y" N& j                        FW<-FW+B3*B3;#标量
8 l5 t' b- v! {3 c' d                        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
. z2 N& t* l4 Q6 x                        else{
                                v<-v-0.5*epsilon*pFW2+alpha*(-0.5*epsilon*pFW2t_1);
8 F4 `) x- w. r; W2 L                                pFW2t_1<-pFW2;
                        }
                        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
) v3 ]; n% L( }* t5 A: S3 R3 @                        if(t==1) w<-w-0.5*epsilon*pFW1
                        else{
                                w<-w-0.5*epsilon*pFW1+alpha*(-0.5*epsilon*pFW1t_1);
                                pFW1t_1<-pFW1;
                        }
2 h3 t; f' T8 L* A* w2 x' i7 d                }
) D7 F5 }9 G3 t" q" J                N<-N+1;
                ei[N]<-FW/J;
" d3 ~* X( ~2 v        }
9 V( \5 T( r+ z( K3 t5 X        theta<-w[nrow(w),];#隐含层阈值
5 d' R- @) p" |; n# ?- M& `4 I        gama<-v[length(v)];#输出层阈值
0 h( t( g$ R' n% }3 m' u; ~        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
        list(theta,gama,w,v,N,FW/J,ei)
}
7 e, X- z! M2 h+ L7 Bx<-cbind(x1,x2,x3,x4,x5,x6,x7);
x<-t(x);
hidden_threshold<-runif(11);
output_threshold<-runif(1);
w<-matrix(runif(77),7,11);
/ L/ Z( r0 d: X, k9 Zv<-runif(11);
result<-BP_one_output(x,y,11,hidden_threshold,output_threshold,w,v);
#输出
; h9 c1 q& g: |. W- v4 Z+ zcat("\n");
cat("隐含层阈值theta","\n",result[[1]],"\n");
( H* @0 P- S5 p% d; ycat("输出层阈值gama","\n",result[[2]],"\n");
w<-as.matrix(result[[3]],7,11);
- `% Z/ N( {! v: f6 ]6 L0 b* Lcat("输入层对隐含层的权重w","\n");
# G2 s5 c2 p$ I) a, L7 i* zw;
4 ~- ^/ b! J# l/ m5 e1 F$ r/ V  Jcat("\n");
cat("隐含层对输出层的权重v","\n",result[[4]],"\n");
6 c4 R7 b+ B) v9 I( L- W' Mcat("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");
9 F# x# B; V4 j* m; z$ p. Pplot(result[[7]],type="l",ylab="每次学习误差",xlab="反复学习的次数");
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