神经网络在R语言 实现

haviet

ti<-proc.time()
( K6 |- i% n( R2 ]BP_one_output<-function(input,output,m,fth,sth,w,v){
        x<-input;#7*8
( l) a! n' G, h+ O! ^& l' c" Z1 b        y<-output;#8*1，y为向量，每一元素为一个样本输出值
        theta<-fth;#11*1
" S7 X4 D8 p7 Y. s+ g        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
4 |* Y" k% G+ d) Y# v( {" O        K<-nrow(x);#8一组样本的维数
        J<-ncol(x);#8一共有多少组样本
. W/ V: W$ y) o, }4 @/ @        w<-rbind(w,t(theta));#由7*11变为8*11
        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
        f<-function(h) 1/(1+exp(-h));
        epsilon<-alpha<-0.5;
& @2 i8 y6 O5 p( _        N<-0;#重复学习次数的计数
        ei<-as.numeric();#记录每次迭代的平均残差平方和
        FW<-1;
' _+ K4 `( F$ Q% U2 a# |2 l        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 ~4 Z" a1 G) n4 c1 ?3 i* u                                                                                        #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
% N# o$ q0 X: E* Y: X                FW<-pFW2<-pFW2t_1<-0;
8 B2 T2 Z1 ]/ m# o) E2 S                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
% D' A) Q: s8 k7 L9 E                        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
$ ^4 G2 o! Q0 N2 n                        else{
                                v<-v-0.5*epsilon*pFW2+alpha*(-0.5*epsilon*pFW2t_1);
# U) j* G6 q/ W5 h& f                                pFW2t_1<-pFW2;
5 T) ~6 u1 O$ Q3 q' e' O0 s& y                        }
- k! @2 |8 n, B# X                        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
" T% B0 p3 X2 Q+ f# v6 p                        if(t==1) w<-w-0.5*epsilon*pFW1
! [6 Z  ]1 u1 S0 _" a/ B8 x                        else{
* p0 d9 j7 d9 ^7 o' ~6 v! V5 ?                                w<-w-0.5*epsilon*pFW1+alpha*(-0.5*epsilon*pFW1t_1);
  i& F* c2 J5 A$ p! m                                pFW1t_1<-pFW1;
                        }
                }
% h) ^* f% m% t* _* h                N<-N+1;
# L" Q0 _3 g3 f. [! O, P- S2 y                ei[N]<-FW/J;
        }
- r. g- E( k5 n/ m        theta<-w[nrow(w),];#隐含层阈值
6 O) {- K* H5 \        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
        list(theta,gama,w,v,N,FW/J,ei)
6 `% P+ _7 _* Q- p}
) F' U1 ~, d6 Q5 x& {! @6 bx<-cbind(x1,x2,x3,x4,x5,x6,x7);
x<-t(x);
hidden_threshold<-runif(11);
- N) s/ o% @6 t9 ]$ v1 ~* ioutput_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);
#输出
cat("\n");
" e- e8 H  E9 Fcat("隐含层阈值theta","\n",result[[1]],"\n");
2 W$ Q( P3 T& M  M; dcat("输出层阈值gama","\n",result[[2]],"\n");
w<-as.matrix(result[[3]],7,11);
$ E( R+ B* Y; E* T& X+ i. C( mcat("输入层对隐含层的权重w","\n");
3 O% |- h9 ^0 P( g3 i  ?w;
cat("\n");
cat("隐含层对输出层的权重v","\n",result[[4]],"\n");
cat("迭代次数N" ,"\n",result[[5]],"\n");
5 B+ O* O# g9 W0 l5 A; m* v, ?' S2 l, N+ o! fcat("学习误差FW","\n",result[[6]],"\n");
cat("每次迭代的误差","\n");
$ U- ?0 q1 z& `/ cplot(result[[7]],type="l",ylab="每次学习误差",xlab="反复学习的次数");
proc.time()-ti
6 D0 `! q2 |9 n& _

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