[转帖]C++的BP算法源程序

ilikenba

7 D9 a6 P, h9 F: T3 }

#include "iostream.h" #include "iomanip.h" #define N 20 //学习样本个数 2 u! `. C% Y5 b6 _0 D #define IN 1 //输入层神经元数目 % W' f* o! E' Z: B #define HN 8 //隐层神经元数目 , Y" m+ {# w9 `. ~+ k #define ON 1 //输出层神经元数目 + B& V4 ]# e X E- X* G- r6 h double P[IN]; //单个样本输入数据 double T[ON]; //单个样本教师数据 double W[HN][IN]; //输入层至隐层权值 double V[ON][HN]; //隐层至输出层权值 double X[HN]; //隐层的输入 double Y[ON]; //输出层的输入 % \$ N% U6 x& G/ P" G/ `. I/ r. k double H[HN]; //隐层的输出 8 o5 U$ A. X+ N6 R double O[ON]; //输出层的输出 5 }" z- Q% k4 P3 F" }9 B double sita[HN]; //隐层的阈值 3 [- L# D/ A- G) X' } double gama[ON]; //输出层的阈值 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 V+ n) m- @9 \2 u' [ double beta; //隐层至输入层学习效率 //定义一个放学习样本的结构 " Y9 ?# `* k7 R: w* `, j$ _ struct { 6 S8 W0 L0 I2 E double input[IN]; double teach[ON]; }Study_Data[N][IN]; ; K, b3 d8 o( B% _ /////////////////////////// //初始化权、阈值子程序///// /////////////////////////// 9 M8 F- n8 B/ } X: W! K8 i) x$ D initial() { # d# }( ~; X ~- G float sgn; float rnd; 6 q4 X: J8 i; v int i,j; & ]& G& q" ~ Q# M9 X //隐层权、阈值初始化// 2 F) w8 h2 P$ k/ s { //sgn=pow((-1),random(100)); sgn=rand(); 8 M% H" P3 k; J3 v: ?( t, G rnd=sgn*(rand()%100); W[j]= rnd/100;//隐层权值初始化。 } //randomize(); S& U5 X0 B9 F1 `2 {6 k { //sgn=pow((-1),random(1000)); sgn=rand(); ]! X! S( w7 \. N- f+ u rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 cout<<"sita"<<sita[j]<<endl; S! o3 E" F$ x6 ~# T+ J4 g } ; l) W# g4 \# e0 T. @" r6 F //输出层权、阈值初始化// //randomize(); for (int k=0;k<ON;k++) 6 J D/ }- i/ p6 O* Z for (int j=0;j<HN;j++) / o6 |2 J' ~/ ^/ [, L: t& o { / j( d- H8 e1 }6 k //sgn=pow((-1),random(1000)); sgn=rand(); rnd=sgn*(rand()%1000); V[k][j]=rnd/1000;//第m个样本输出层权值初始化 2 e+ T7 | W! j3 ], ~- x6 u, M } ( ^# r* F0 o$ G2 j3 e //randomize(); { & a: M1 U5 t7 L9 B! ?: z //sgn=pow((-1),random(10)); sgn=rand(); 2 O" {' q3 W7 |) B8 H rnd=sgn*(rand()%10); , m, E" i- Z$ n gama[k]=rnd/10;//输出层阈值初始化 0 m, W% M3 `" a" \" K. @( V; A- q! n cout<<"gama[k]"<<endl; } return 1; 4 u1 Y% h1 C9 K) B$ @9 V- p# G3 B7 S, w }//子程序initial()结束

% K0 c: d, h$ c! G, M

//////////////////////////////// ////第m个学习样本输入子程序/// 9 T/ h$ }& B% U# d+ L1 d /////////////////////////////// 0 ]5 a3 U5 o& u5 H3 P% m& g8 C' Z input_P(int m) ' F+ u3 D3 B! B { for (int i=0;i<IN;i++) P=Study_Data[m]->input; + B- Q; [6 V( v8 S //获得第m个样本的数据 //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： - o- j. l8 y, Q4 K$ q- Q! S //P[%d]=%f\n",m,P); return 1; / f2 f- d. z! Z3 O* }% k: J }//子程序input_P(m）结束 3 p" {7 l- J, R. e7 c7 s ///////////////////////////// ////第m个样本教师信号子程序// " X* G' F, B. f) p ///////////////////////////// - l1 g. g& L) \+ m# f3 K$ i input_T(int m) { , ^ W; T) b# L5 b w5 c1 c, k1 u for (int k=0;k<m;k++) , C5 \" U+ ~. P5 z- H& p T[k]=Study_Data[m]->teach[k]; . |) _4 k% m: P7 L! N //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); return 1; }//子程序input_T(m)结束 " q, K6 i& m5 O# s3 ~3 s' }- \+ @% m ///////////////////////////////// - r; Z" {" S4 v. g8 Y( \( Z //隐层各单元输入、输出值子程序/// + H. b* A2 t& k9 {+ C# C ///////////////////////////////// / q* l0 {! Z4 L' W H_I_O(){ double sigma; int i,j; for (j=0;j<HN;j++) * ]0 z0 W/ a& n sigma=0.0; 2 ?! B' g6 }, L; O7 P" j for (i=0;i<IN;i++) / I5 S a6 D/ h9 l% d# { sigma+=W[j]*P;//求隐层内积 } % z N/ [0 A D A% v, R8 i 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 C/ r B$ q8 B8 `' D } return 1; }//子程序H_I_O()结束 /////////////////////////////////// //输出层各单元输入、输出值子程序/// $ C1 W7 S1 x8 g6 G* g /////////////////////////////////// O_I_O() 4 @& t. F' I. a3 N+ P { 0 l* n' _2 t) M& t double sigma; for (int k=0;k<ON;k++) sigma=0.0; ( Z0 E* n! T8 O% M 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 + ~% l- b8 o5 H1 i O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 4 E& Q( o' K( W6 g; p' _+ e } o. e4 ~# s1 O return 1; ' Y# o" [: m, D }//子程序O_I_O()结束 //////////////////////////////////// & `2 Z% ~# X7 M- K4 Q, R //输出层至隐层的一般化误差子程序//// . R7 q# C# ^* x //////////////////////////////////// " a8 h0 _, k) o3 t( ~ double d_err[ON]; Err_O_H(int m) ; M3 s$ O& Q+ F, }9 E0 Z$ U+ j { " p! a k7 c# {! c) E 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??? - o1 }8 k* V# K0 y7 n0 Y& R. T& A7 b0 k for (int k=0;k<ON;k++) 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 0 |/ [5 v" S2 n! e 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 } 1 q R/ l h* W 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; # u- ]: N8 `$ C8 W8 E+ e2 i }//子程序Err_O_H(m)结束 //////////////////////////////////// //隐层至输入层的一般化误差子程序//// //////////////////////////////////// double e_err[HN]; 4 X. H1 I$ w [! K7 i# ? Err_H_I(){ double sigma; 5 W5 g: k, s* \# v9 d //for (int hidden=0;hidden for (int j=0;j<HN;j++) sigma=0.0; ' f# ?8 q- f9 f7 N; M( d0 R for (int k=0;k<ON;k++) sigma=d_err[k]*V[k][j]; } 4 u: j9 h, i; Q: w e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 1 V0 }0 E v% B* I' N, S7 ]/ j1 E } 5 A+ o5 I2 s' u, L# ] return 1; " y ?0 h' U y! C7 x }//子程序Err_H_I()结束 //////////////////////////////////////////////////////// //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) { 1 J6 K6 U2 v+ S$ y' p( l" m for (int k=0;k<ON;k++) ( t4 }, p, X1 P, e* [7 P for (int j=0;j<HN;j++) * C5 D+ u7 K" {; G: z //cout<<"第"< % O2 [5 P j/ Xfprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,W[k][j]); V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 - C: V( C- Q* F3 A } gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 } return 1; 6 u* Y2 W7 b0 m! S( g }//子程序Delta_O_H()结束 ///////////////////////////////////////////////////// # f! D ]- T$ @ g0 w s9 T //隐层至输入层的权值调整、隐层阈值调整计算子程序///// ///////////////////////////////////////////////////// 6 v( b7 M' I! N; g( H Delta_H_I(int m,FILE* fp) 2 K! U$ O" c( A { 6 N$ H! U# }. B% i for (int j=0;j<HN;j++) for (int i=0;i<IN;i++) 4 e, H( B: Y% ?! q5 J0 a3 l //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]); 6 n$ ]( i q; H ]! q" Q W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 } / M6 z: t7 X. ~* Y" `3 A sita[j]+=beta*e_err[j]; 7 A3 f# E: H3 d8 b( q- ? j: U } 6 j+ O* ^4 K/ y6 h+ R return 1; ( ]/ n" r$ F/ ~2 c }//子程序Delta_H_I()结束 $ `3 X- J! h- k# {2 _7 M& f8 y ///////////////////////////////// //N个样本的全局误差计算子程序//// 8 ^& \4 y) R g/ f ///////////////////////////////// 2 d/ Z A2 P( n0 U& V! C double Err_Sum() { / q3 Z/ [5 E6 N, C% D8 i double total_err=0; 5 U( ^: [9 M* H+ ~! F% X 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 } # I$ g. d) h* L9 R return 1; }//子程序Err_sum()结束 /**********************/ + B6 `. p/ N" u) C7 l /**程序入口，即主程序**/ $ G- A- N% E& t0 z- ^ t /**********************/ main() + W1 S' T, j( o% N3 V { * z9 U( ^& }/ }$ n: d! A FILE *fp; double sum_err; int study;//训练次数 if ((fp=fopen("bp.txt","a+"))==NULL) e8 I F r: D* W% ~4 n { 0 `% V2 i3 P! f. j! @& t& n' K6 R$ Y& U$ h. W printf("不能创建bp.txt文件!\n"); A9 x# T/ v6 F2 B* W exit(1); } / ~9 w3 B. L- ?% _ 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; . V. D# d+ J, v9 ?4 w int study=0; //学习次数 9 q5 u( M) F( M+ ^. r double Pre_error ; //预定误差 cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; ( n2 _! u( J3 W0 u% Z* E int Pre_times; cout<<"请输入预定最大学习次数re_times=\n"; cin>>re_times; + u7 n/ M( R4 {- R r! r) \. v; y% n cout<<"请输入学习样本数据\n"; { for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组学习样本"<<endl; 1 X! c- Y, p( W/ o for (int i=0;i<IN;i++) 4 M0 N2 D x/ [' `8 m! _+ {( s, x$ B/ D cin>>Study_Data[m]->input; } { for (int m=0;m<N;m++) 0 ]) t* l/ O, L0 | cout<<"请输入第"<<m+1<<"组教师样本"<<endl; for (int k=0;k<ON;k++) ( U1 [. T+ H% A: J1 \ cin>>Study_Data[m]->teach[k]; 1 `& C3 p d. [. m/ g } initial(); //隐层、输出层权、阈值初始化 (1) do { ) k. l* d% u8 K$ i n ++study; ///??? for (int m=0;m<N;m++) ' m g! F7 I" D+ x { : B, N3 ~1 q- B3 L: L input_P(m); //输入第m个学习样本 (2) 6 t0 u9 w" ^0 H) W% } g" K# q 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) & |: A( ?9 ^# ]% k+ _ M# R2 i' M 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) ! W# l) V4 `; U0 ^0 N 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 : l& v4 M& E E9 }# m5 n+ o, F sum_err=Err_Sum(); //全部样本全局误差计算 (10) % k* q" h# f* j$ v { cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; # Y4 d2 U8 _6 n8 i4 O$ q/ m fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); } . t. w4 V7 a2 W 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; fprintf(fp,"网络已经学习了%d次，现在的全局误差为：%f\n",study,total_err); fclose(fp); 6 x0 H/ B. H R } char s; 0 o6 q5 _; Q1 T cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; , O' h* O) m7 M* s8 P return 1; - i: o Q5 q& P6 y* g6 y }

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