[转帖]C++的BP算法源程序

ilikenba

#include "iostream.h" ( l9 d3 S: u$ q: l7 L5 R #include "iomanip.h" #define N 20 //学习样本个数 ' G- ?$ t# c) n: s6 g& _6 E #define IN 1 //输入层神经元数目 #define HN 8 //隐层神经元数目 # x1 P% y- c8 Y$ }6 A" ?+ D #define ON 1 //输出层神经元数目 double P[IN]; //单个样本输入数据 double T[ON]; //单个样本教师数据 % z2 z# |' ~- V+ u0 q" U r! [+ { double W[HN][IN]; //输入层至隐层权值 double V[ON][HN]; //隐层至输出层权值 9 t. @7 Y8 c1 z1 t" L double X[HN]; //隐层的输入 double Y[ON]; //输出层的输入 9 }1 K5 V. A& Q: [$ z. N double H[HN]; //隐层的输出 double O[ON]; //输出层的输出 : V& l" d# f3 Y7 Z7 c double sita[HN]; //隐层的阈值 double gama[ON]; //输出层的阈值 # R/ ~5 S0 L4 ] 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 8 `1 q& [5 t+ C1 r ~ double beta; //隐层至输入层学习效率 //定义一个放学习样本的结构 9 n1 R# O# y( ~# L8 ]& P4 G struct { ; [7 L& Q$ W# t' _2 _6 q double input[IN]; double teach[ON]; 8 S9 C" @( U4 i- X. a }Study_Data[N][IN]; & D$ T c7 H" t$ b! M/ W /////////////////////////// 3 o+ \, l$ T8 r* o/ c; Q9 m //初始化权、阈值子程序///// ( n0 g2 m5 j8 E /////////////////////////// initial() { 6 U: b3 B# W1 i+ t& d1 v& W float sgn; ) Q' ~$ _) [+ ^. p, t, T float rnd; int i,j; //隐层权、阈值初始化// - c3 N4 k( v- X8 Z { //sgn=pow((-1),random(100)); sgn=rand(); rnd=sgn*(rand()%100); 0 i& `& d$ i; F W[j]= rnd/100;//隐层权值初始化。 } * |4 O4 `% ]0 d" l //randomize(); # o8 K$ H* L5 K( F9 t2 q. W0 z7 B { & w _8 q% @! e3 y/ K$ M //sgn=pow((-1),random(1000)); sgn=rand(); ! i7 a9 ^: T- r- ~ rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 cout<<"sita"<<sita[j]<<endl; 0 g/ ^; _2 p% O0 x) `+ C3 h } 7 F( ?. S' B+ v O/ y9 K //输出层权、阈值初始化// //randomize(); % e9 K# q/ z' s6 O# l y N for (int k=0;k<ON;k++) 5 b T# b* Z! H) i. r0 E for (int j=0;j<HN;j++) ' h. j; _ Z+ }: { { $ {' B: P" Y, ?8 _% R$ o$ k! o //sgn=pow((-1),random(1000)); sgn=rand(); # x f6 Z& T- Q9 x: u; i rnd=sgn*(rand()%1000); $ ?4 T' X/ u2 @4 P2 A9 O6 x V[k][j]=rnd/1000;//第m个样本输出层权值初始化 } //randomize(); { //sgn=pow((-1),random(10)); sgn=rand(); $ D- L m" y5 L' |& @& W; s. L( y! J rnd=sgn*(rand()%10); " A1 s2 q! V: {5 \ gama[k]=rnd/10;//输出层阈值初始化 + P* t5 t# ?6 J3 O6 t cout<<"gama[k]"<<endl; 9 ?+ [9 ^# _% H } return 1; - a+ s, \. m/ {* \ }//子程序initial()结束

' e4 g9 f( \3 ?! B/ q

//////////////////////////////// ////第m个学习样本输入子程序/// 4 z7 s* S+ G: Q8 [0 f: ?1 p /////////////////////////////// input_P(int m) ) Q/ o7 x7 m4 f2 L) D { & o+ O/ ^8 @3 ~5 [( ~ for (int i=0;i<IN;i++) ) x* m5 f6 C# l: r8 H N6 O2 g P=Study_Data[m]->input; //获得第m个样本的数据 //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： 5 e$ \6 W# e; v2 S //P[%d]=%f\n",m,P); return 1; 4 e8 P1 [# h; G( s6 W& G }//子程序input_P(m）结束 ///////////////////////////// ////第m个样本教师信号子程序// ( v% F$ c* D- p- n ///////////////////////////// input_T(int m) { 7 y& j# K Q% w" f5 I$ g, d for (int k=0;k<m;k++) T[k]=Study_Data[m]->teach[k]; & m; _& o5 y+ v. s //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); A6 F: e* P$ }- `' A return 1; * ^/ T5 T6 c: p3 h" s4 V8 Q }//子程序input_T(m)结束 & b! X. T& n) [! M1 K ///////////////////////////////// //隐层各单元输入、输出值子程序/// ///////////////////////////////// 3 u8 D7 R) a: Z' N H_I_O(){ ! v$ U; Z2 R& w0 B) E: Z double sigma; int i,j; for (j=0;j<HN;j++) 3 m1 N9 z0 {0 a* t% U/ G5 B6 R- f sigma=0.0; for (i=0;i<IN;i++) sigma+=W[j]*P;//求隐层内积 } $ O) T7 O- h' o# T7 F X[j]=sigma - sita;//求隐层净输入 H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } ( {4 H+ G4 X& f3 t return 1; " t! f# g( O8 A! N6 ?4 L }//子程序H_I_O()结束 /////////////////////////////////// ) ]6 f/ _. k4 d //输出层各单元输入、输出值子程序/// * \3 _5 h# p( M/ F8 U /////////////////////////////////// 4 D. ?" q2 i7 r O_I_O() # X) M5 _$ Q+ }/ E* y { double sigma; ( A7 l+ g) E- W7 ~ for (int k=0;k<ON;k++) sigma=0.0; ' j+ H& x2 P4 H8 k. V0 T( o for (int j=0;j<HN;j++) 2 k$ U, e: D" F2 I9 f sigma+=V[k][j]*H[k];//求输出层内积 } Y[k]=sigma-gama[k]; //求输出层净输入 5 n0 m3 c8 q* o. ^ O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 + T% {9 v7 z: t8 v7 C! G1 j: ^# x } S. i0 {2 \4 b return 1; }//子程序O_I_O()结束 //////////////////////////////////// 4 _. I9 ^- H" v //输出层至隐层的一般化误差子程序//// ) r* o, V- k: O9 t //////////////////////////////////// double d_err[ON]; Err_O_H(int m) { double abs_err[ON];//每个样本的绝对误差都是从0开始的 / a" T+ V( c9 B6 a* E$ Y 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??? ' D4 M' Q& |4 X for (int k=0;k<ON;k++) $ S$ ]5 Z& b0 l- z abs_err[k]=T[k]-O[k]; $ N' C1 y% }3 D1 B5 }8 s( v$ S //求第m个样本下的第k个神经元的绝对误差 0 N2 v0 ^! R0 Q% f2 W$ c9 h sqr_err+=(abs_err[k])*(abs_err[k]);//求第m个样本下输出层的平方误差 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 t, |7 X$ Y% `$ r: ]7 k$ L/ ~ } 8 w M8 e( d, { 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; . w7 ]' g: u% i* g+ r* P) t }//子程序Err_O_H(m)结束 7 R# X: u g/ ~; k //////////////////////////////////// //隐层至输入层的一般化误差子程序//// //////////////////////////////////// double e_err[HN]; ( L8 \2 G1 L2 u1 z1 H Err_H_I(){ ; @$ g* ~( A0 E0 C double sigma; + v' G1 h3 y: [* p: i. `5 D) G //for (int hidden=0;hidden for (int j=0;j<HN;j++) sigma=0.0; 1 l" [' S: j. h3 N, U" |/ a for (int k=0;k<ON;k++) 3 S. y5 g- k5 q: ~! f0 q: U sigma=d_err[k]*V[k][j]; } & M' P; J' b$ f) z3 d7 d/ j" ^3 @! b e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 2 K; J1 ^7 Y& A: I1 _ } return 1; 4 M1 N$ S2 D9 X6 H) u4 L1 P }//子程序Err_H_I()结束 //////////////////////////////////////////////////////// 5 P3 w) j# C# V0 b( `" f" l# U //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) { for (int k=0;k<ON;k++) # A. G6 j& {4 \8 A u/ f+ ~ z8 d for (int j=0;j<HN;j++) ; M( I7 a- Y- e# C! u& U' _ //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]); 7 ]# Y" t3 A! w5 I! c) X, ] V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 } ( y" V- A/ {" z8 g' S2 |/ a) g( L gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 } 2 a5 @, z" \" U" c5 G+ q return 1; # @: e4 N# ]/ }" R }//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///// - {% b$ T8 a6 E6 i" A ///////////////////////////////////////////////////// # D2 T, P' m6 K) ]. e$ e% N: _& a* u Delta_H_I(int m,FILE* fp) { for (int j=0;j<HN;j++) 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]); 2 @8 h3 T. q$ u# s" Y: \9 w/ g W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 } 5 v# e% v: I5 M7 Y: M4 I& r sita[j]+=beta*e_err[j]; $ z- A$ V. T0 b' }$ l- [ } , P8 |" ]" b" w) T; U( l+ {% G2 _ return 1; . F/ \+ S- u: H% h# S/ t0 W6 p) E }//子程序Delta_H_I()结束 5 I6 Z3 x9 Z1 n0 | ///////////////////////////////// - j) w# w5 {9 t2 u* R) @1 J //N个样本的全局误差计算子程序//// # w. s R( l' d% p7 i# o ///////////////////////////////// double Err_Sum() % L& {7 d, x8 E8 @* E) Y5 w { : l$ [1 L) _ C' j! l1 e9 l double total_err=0; 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 } return 1; }//子程序Err_sum()结束 /**********************/ /**程序入口，即主程序**/ /**********************/ main() { FILE *fp; double sum_err; 9 ?3 Y8 q Z& V u! W$ {( R int study;//训练次数 if ((fp=fopen("bp.txt","a+"))==NULL) 6 q" h: g+ h" W2 U; m { * W" e2 |. M, a3 W" k* A: f printf("不能创建bp.txt文件!\n"); exit(1); } : O! A0 q$ P6 g! P+ d2 k2 @7 E 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; int study=0; //学习次数 # k3 K1 ?/ E; G3 B9 D" m double Pre_error ; //预定误差 cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; ; L4 Q+ W+ I: d int Pre_times; 2 G' \1 { X6 z1 h. u; H cout<<"请输入预定最大学习次数re_times=\n"; cin>>re_times; - ~2 k `, |/ N; |$ s1 y cout<<"请输入学习样本数据\n"; / S9 W8 [: R7 C. M& m1 @ { for (int m=0;m<N;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; } - J: R9 V+ ?9 s: j { for (int m=0;m<N;m++) " r- E2 X2 ?( Y7 { cout<<"请输入第"<<m+1<<"组教师样本"<<endl; for (int k=0;k<ON;k++) cin>>Study_Data[m]->teach[k]; ( C& ]: n4 d. _ N. h } initial(); //隐层、输出层权、阈值初始化 (1) - b; c% \. n! | do { % Y; X# ~; t. p% K5 U5 H ++study; ///??? for (int m=0;m<N;m++) 0 k6 V( s# O* [2 S& G { ! t2 i9 r9 \9 e- F6 J, A input_P(m); //输入第m个学习样本 (2) # \4 S v/ ^; g1 X4 t+ I* { 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) 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) ' B4 X( w# J6 N8 W2 e2 [5 s) O8 S Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (7) / ~0 {0 I! a; h W5 V 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) 5 o; O" e" s) H! O: [ J# X } //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; 4 y% R5 v; U$ ~, H' Q) S fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); . W, `0 y4 t6 o1 V) C1 Y0 Z, N } while (sum_err > Pre_error) //or(study { //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; ! O2 X s8 V2 n9 K) g; _ fprintf(fp,"网络已经学习了%d次，现在的全局误差为：%f\n",study,total_err); F/ U. n9 ?6 o6 F, O. s fclose(fp); } $ ^4 A5 j( |4 i( u char s; & A6 G1 d7 y) ?! F cout<<"请随便输入一个字符，按回车退出程序！\n"; - D) G2 A' W+ ]. J. }7 ~ cin>>s; 2 ^4 |0 t& I- E5 G6 T5 T 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