[转帖]C++的BP算法源程序

ilikenba

#include "iostream.h" % D" S# d6 y0 q, a: U #include "iomanip.h" , x. t& |2 M+ f5 J- S" _9 b% [7 C #define N 20 //学习样本个数 ( `4 t- o# C$ l #define IN 1 //输入层神经元数目 #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 6 n' Y: ^$ }; f8 h/ z& }1 C" w% i double T[ON]; //单个样本教师数据 * c" C0 }$ v) y; M5 C- f double W[HN][IN]; //输入层至隐层权值 $ s" v$ ]+ F6 B' V2 Q4 G3 U double V[ON][HN]; //隐层至输出层权值 0 h! Q% y9 z; [4 x3 s2 C double X[HN]; //隐层的输入 & F ~1 ~3 q( Q, z: F double Y[ON]; //输出层的输入 double H[HN]; //隐层的输出 double O[ON]; //输出层的输出 / u* k( E* S% _, H; [0 i, [ double sita[HN]; //隐层的阈值 ! a4 p- D1 x* p7 O- N8 k6 E2 X double gama[ON]; //输出层的阈值 6 T4 V8 V9 A# ]: C: p S double err_m[N]; //第m个样本的总误差 + G9 M7 U5 t/ U" O8 ?6 [ 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 2 X' @3 J2 p1 W1 g //定义一个放学习样本的结构 struct { ( J, p7 q; U1 ~9 O E double input[IN]; double teach[ON]; " \. y% e5 c) N- x1 ^" G1 d2 [ }Study_Data[N][IN]; 8 e( ?/ I* S0 ^4 q& w* K2 X. a3 j /////////////////////////// //初始化权、阈值子程序///// /////////////////////////// . L+ b$ {% w5 c6 t/ O6 t6 i$ M initial() * n. f, u! t+ n* ^ { float sgn; e# @; H2 I" ~, J! X4 z float rnd; $ Y3 ] e. Y" A4 F6 k int i,j; //隐层权、阈值初始化// { - m) p, ]8 }6 ^ //sgn=pow((-1),random(100)); ) l4 N7 c) o+ o sgn=rand(); " a4 Z; F' s2 c rnd=sgn*(rand()%100); W[j]= rnd/100;//隐层权值初始化。 } 5 H# s/ X6 ]' Q* B //randomize(); { //sgn=pow((-1),random(1000)); sgn=rand(); rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 - N* [8 k$ @/ i2 E; X cout<<"sita"<<sita[j]<<endl; " r; Q5 e) U5 a8 V } # q: _' @# n3 f. B: F //输出层权、阈值初始化// ' v3 P: `/ G- V# V& s* m- V+ C) L //randomize(); & y0 m' H6 m2 R, G- T- B. F' l for (int k=0;k<ON;k++) ) Y2 m x7 B# S% S, M+ J, j for (int j=0;j<HN;j++) # W! R2 Y8 }0 ~% R3 L/ P, Z { //sgn=pow((-1),random(1000)); # @% G5 [0 T. Q2 D) P2 i# t5 I sgn=rand(); rnd=sgn*(rand()%1000); V[k][j]=rnd/1000;//第m个样本输出层权值初始化 4 T w2 n! u6 ? } " A" x4 `# O" i //randomize(); { //sgn=pow((-1),random(10)); 6 p# J7 h/ ?# R7 o2 o# m7 I8 k sgn=rand(); 3 Y* b8 E5 Y. |1 F. Q5 z rnd=sgn*(rand()%10); ) @4 S6 l4 V) O }. a gama[k]=rnd/10;//输出层阈值初始化 ; }+ u" Q) @4 Z; p5 P, Q cout<<"gama[k]"<<endl; } ' X1 f, W- v S# ~2 ` return 1; ) p: O( `& Y; O4 P+ o- j }//子程序initial()结束

+ F# A3 @2 |. `

//////////////////////////////// ' H) m4 h% d- J, l& l) y# y& @ ////第m个学习样本输入子程序/// " h) Y2 J$ n2 S& f( | /////////////////////////////// input_P(int m) { for (int i=0;i<IN;i++) P=Study_Data[m]->input; 8 z' u' L0 G% V //获得第m个样本的数据 ; v8 F' ?1 w0 `0 a; K, y //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： 8 Q3 V% @; i+ F //P[%d]=%f\n",m,P); return 1; }//子程序input_P(m）结束 8 u! J- E. s/ j# d" D( Y" \ ///////////////////////////// ////第m个样本教师信号子程序// ///////////////////////////// 2 x1 [7 Y f. E V) W! V input_T(int m) 9 a6 H) k V% i { for (int k=0;k<m;k++) T[k]=Study_Data[m]->teach[k]; //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); ! h/ y: ^7 J1 m' j return 1; 5 w4 h4 x* [7 h4 L }//子程序input_T(m)结束 4 X) `3 n/ }: Z* ?1 i- S& b* k0 m6 A ///////////////////////////////// //隐层各单元输入、输出值子程序/// ! {7 e i6 s) d- ~% _3 `& p. O3 k ///////////////////////////////// 5 a( N5 k2 S: I; z2 H H_I_O(){ double sigma; int i,j; for (j=0;j<HN;j++) sigma=0.0; for (i=0;i<IN;i++) sigma+=W[j]*P;//求隐层内积 . }' B; j3 J1 F- E } 3 H, w3 t% }0 e) d& A8 l$ v! q X[j]=sigma - sita;//求隐层净输入 H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 % D/ @" N* a+ U, ^' E } 7 A, M0 B v6 G) A# i+ V( E4 y return 1; }//子程序H_I_O()结束 /////////////////////////////////// //输出层各单元输入、输出值子程序/// /////////////////////////////////// O_I_O() { , u. n0 x; D0 f7 v) X& Q double sigma; for (int k=0;k<ON;k++) ! R8 p( v8 N3 s sigma=0.0; for (int j=0;j<HN;j++) sigma+=V[k][j]*H[k];//求输出层内积 } Y[k]=sigma-gama[k]; //求输出层净输入 6 C2 c4 c2 _2 Z8 \* {, [ O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 ! ^( [2 C8 E, ~# ] } 1 g) Z8 }( T$ Z, j. l0 R& N, x return 1; ) {% p4 a @" i" N1 e7 v }//子程序O_I_O()结束 //////////////////////////////////// $ }& g" s$ R! ^5 I/ n+ ~# m //输出层至隐层的一般化误差子程序//// //////////////////////////////////// - G+ b7 P- M2 H# {* b double d_err[ON]; 5 n( D- c/ C# e6 C! ~5 z: J Err_O_H(int m) { ; e' p; e% N# l S- v U 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??? ; ]/ U! T/ E* P- C for (int k=0;k<ON;k++) 0 }; v* @. Y0 @! E3 h abs_err[k]=T[k]-O[k]; //求第m个样本下的第k个神经元的绝对误差 & H2 _* \. m2 r& m: o1 R" B6 a* B sqr_err+=(abs_err[k])*(abs_err[k]);//求第m个样本下输出层的平方误差 0 B) y7 C' ~. T: q 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 } ! S# i/ K2 D& ^0 f 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; 3 u% a( P p( N- ^" @ }//子程序Err_O_H(m)结束 # R9 N r0 @( C, \4 j //////////////////////////////////// //隐层至输入层的一般化误差子程序//// //////////////////////////////////// double e_err[HN]; Err_H_I(){ double sigma; : r6 ?* [& r1 S: Y; d- u //for (int hidden=0;hidden 1 J. `+ u& E* a6 R8 b$ @2 L n for (int j=0;j<HN;j++) ; W. \4 Q" j- h; P4 O# F sigma=0.0; ( z1 K/ h2 T1 {4 e* Z for (int k=0;k<ON;k++) sigma=d_err[k]*V[k][j]; & M# r" g) e5 H: j% C3 |& X* J } * n. I; L3 R0 P% z8 N/ m/ ^ e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 1 j/ c' ?: y9 X" Q } return 1; }//子程序Err_H_I()结束 5 j. o( t( I5 k+ e' M M; F+ ? //////////////////////////////////////////////////////// g, l6 b7 @( J) i( Y9 E8 [" J2 @ //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) 0 N0 K1 I! a9 G7 _ { for (int k=0;k<ON;k++) 7 p7 j' X0 @. i; Z9 H' Q* C' T for (int j=0;j<HN;j++) //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]); + D# _/ C5 K1 |6 _ V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 } 0 m( k" m: j3 P; ` gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 } ; D2 a9 Q* [7 h8 a- p# b return 1; ( t% ?3 U" p( }6 H- X- H }//子程序Delta_O_H()结束 ///////////////////////////////////////////////////// //隐层至输入层的权值调整、隐层阈值调整计算子程序///// ///////////////////////////////////////////////////// Delta_H_I(int m,FILE* fp) + F) ?$ M W% H _: B { 5 T7 O* K3 |2 F1 |; n for (int j=0;j<HN;j++) ; M$ B. c7 B- J9 g. L0 \- B for (int i=0;i<IN;i++) , X; k2 w& z1 s- J, e4 g$ P3 X //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]); 4 v( k3 h' ] l0 |9 ~ W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 } sita[j]+=beta*e_err[j]; * l9 G9 j, R4 b3 ? } 8 Q! a: g1 e" M- | M( {* I return 1; ) k8 j3 U k0 N7 w# A5 @9 E& W6 S' H }//子程序Delta_H_I()结束 ///////////////////////////////// //N个样本的全局误差计算子程序//// ' v. s8 S) }* v- t7 v1 F, w" W ///////////////////////////////// double Err_Sum() { ( ~# L" `7 M1 @& B9 P9 Z: R8 S double total_err=0; for (int m=0;m<N;m++) . \! Y) Q2 e& Y8 G total_err+=err_m[m];//每个样本的均方误差加起来就成了全局误差 } return 1; 0 a: L! \) d' u s) {/ a8 B }//子程序Err_sum()结束 ) I- E# R! A; a2 Y+ W8 N /**********************/ /**程序入口，即主程序**/ 0 E- V- ]2 ]7 \) [ /**********************/ " ~) w; ]1 c6 X# A1 m9 ^ main() ; _3 [$ u* Z% H+ s1 Q/ f { " `0 n% ]1 {% {" h3 _7 L" ^: @ FILE *fp; double sum_err; ! z: v) q* {9 S7 O) F. A int study;//训练次数 if ((fp=fopen("bp.txt","a+"))==NULL) 4 S/ u$ ]1 Q: i) ]0 B# o6 [8 i { printf("不能创建bp.txt文件!\n"); exit(1); 8 {1 @* h L2 `+ A6 R% _8 V7 N } cout<<"请输入输出层到隐含层学习效率: alpha=\n"; cin>>alpha; cout<<"请输入隐含层到输入层学习效率: beta=\n"; cin>>beta; & L9 A$ f. ?+ I* r2 g( } int study=0; //学习次数 double Pre_error ; //预定误差 3 e# w1 h% [+ O6 J5 L3 G1 ? o. h cout<<"请输入预定误差: Pre_error= \n"; 9 l" b% p, D& V# J3 M cin>>re_error; : O: y0 J o, N6 x2 E. g% D int Pre_times; 4 p# s% `3 p' C1 X5 F cout<<"请输入预定最大学习次数re_times=\n"; cin>>re_times; cout<<"请输入学习样本数据\n"; 5 Y! [' {% H- a5 V4 G9 s { for (int m=0;m<N;m++) 1 m% U1 D( Q* ]# U cout<<"请输入第"<<m+1<<"组学习样本"<<endl; for (int i=0;i<IN;i++) # \9 r2 U9 l+ M' U. [+ W cin>>Study_Data[m]->input; } + Y7 r. i; z6 Z4 H, \ { + Z1 J' S* d9 N; w2 U for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组教师样本"<<endl; 6 F8 ~: Z, z. N: Z1 ~4 i$ I for (int k=0;k<ON;k++) ) x5 ^( t. b/ k* o cin>>Study_Data[m]->teach[k]; 0 Q" d* e8 Y7 Y3 _( r } & P+ \$ O1 m+ H5 X9 r7 O initial(); //隐层、输出层权、阈值初始化 (1) do { / ~' m, u- A% E. [ ++study; ///??? for (int m=0;m<N;m++) { input_P(m); //输入第m个学习样本 (2) 5 _; N+ A: [. B0 h 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) 2 [- Z2 x9 |% t8 ^; P1 x 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) Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (7) ) H" l* H# q" I- L 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 5 @& L' U' E$ O: P# `# W3 ^ sum_err=Err_Sum(); //全部样本全局误差计算 (10) { " k1 S. I0 D# i" S; D cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; ; D5 k$ i" |% O3 k4 j+ u/ r Y fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); } % z. |7 {5 o- k; |; r while (sum_err > Pre_error) //or(study 2 W5 c: ?* |0 N% ^5 @. E: _ { //N个样本全局误差小于预定误差否？ 小于则退出 (11) cout<<"网络已经学习了"<<study<<"次,学习的均方误差为"<<sum_err<<endl; + a; H, B! K, J fprintf(fp,"网络已经学习了%d次，现在的全局误差为：%f\n",study,total_err); + l. k# j2 H9 c# ?2 f. l fclose(fp); $ P0 O9 A5 l7 ]5 t- F& g, H# r } char s; 3 }; K* K x5 }0 ]5 r' ~! A0 B" ^ cout<<"请随便输入一个字符，按回车退出程序！\n"; 1 g# @( x: C/ q* @1 B cin>>s; return 1; }

devil1980

笑死了，垃圾程序。这个只能是c 程序

而且还不收敛

误差只能到1

里面还有许多bug

chz0829

看不懂