[转帖]C++的BP算法源程序

ilikenba

( B0 t0 _+ J9 |- B/ O) ~3 d

#include "iostream.h" #include "iomanip.h" #define N 20 //学习样本个数 $ W* t5 s$ ?- E; M #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 double T[ON]; //单个样本教师数据 2 p5 h: {9 @# R: x1 N4 T 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 1 j+ |+ M: O. v" i+ E double Y[ON]; //输出层的输入 double H[HN]; //隐层的输出 , |- }' [1 \/ s, l double O[ON]; //输出层的输出 7 @' U+ b& s& ^* R double sita[HN]; //隐层的阈值 ; c4 S3 }4 ~4 c9 d0 l n double gama[ON]; //输出层的阈值 double err_m[N]; //第m个样本的总误差 6 f4 {0 h6 [8 X" s/ Y5 X/ B: q0 a double alpha; //输出层至隐层的学习效率 " w: Y$ A1 D8 [1 V- ` double beta; //隐层至输入层学习效率 //定义一个放学习样本的结构 6 U; Y5 Q" D3 ^6 T% N( ] struct { double input[IN]; double teach[ON]; }Study_Data[N][IN]; 9 C& c; X$ ]1 W3 q/ S /////////////////////////// 6 h! \+ v: B9 B' j1 U //初始化权、阈值子程序///// - w& P+ e _& J /////////////////////////// initial() , R g; l. |9 k' K3 R: R { float sgn; float rnd; ( g$ {' T% g: w& ~# y) t int i,j; " i6 W' Q; g/ K+ G3 l5 ` //隐层权、阈值初始化// " S9 Q" b5 G/ ^5 v' H( T7 N2 u# a { //sgn=pow((-1),random(100)); ( D. `6 _; D" t sgn=rand(); 4 z3 A P% E& F K rnd=sgn*(rand()%100); W[j]= rnd/100;//隐层权值初始化。 } 4 s1 D1 u3 |5 o8 m //randomize(); { $ Q# X! S. ]+ b //sgn=pow((-1),random(1000)); sgn=rand(); Y7 A v+ W8 E) T' c rnd=sgn*(rand()%1000); ( P# U/ V: m: R2 j r6 O' f sita[j]= rnd/1000;//中间层阈值初始化 + w8 F8 d3 \! E* Q& o2 Z cout<<"sita"<<sita[j]<<endl; & g( v$ g$ D( U4 W/ B } //输出层权、阈值初始化// //randomize(); for (int k=0;k<ON;k++) ! y: G8 u# A+ t for (int j=0;j<HN;j++) Q R W6 b$ ?+ M* o& d$ q { 6 U: v6 ^" p8 d! v, x3 A //sgn=pow((-1),random(1000)); ; d' f' M+ G3 ^# L+ t1 w sgn=rand(); ; M7 e+ | x6 l% N$ @6 ? rnd=sgn*(rand()%1000); V[k][j]=rnd/1000;//第m个样本输出层权值初始化 3 F6 I: u9 ~, H, i9 ^! V4 b! U } //randomize(); ; @0 M& H8 g8 N+ V% o; Z6 T { //sgn=pow((-1),random(10)); sgn=rand(); - B/ U6 K" z' ~! g1 G rnd=sgn*(rand()%10); " H0 W0 `" q9 @0 m! l$ X gama[k]=rnd/10;//输出层阈值初始化 7 w/ L; f( s; ?6 t/ g+ g cout<<"gama[k]"<<endl; 0 s2 C, L0 O" S3 @ } return 1; ' [ u/ B) x/ u7 E' h& g 2 N# x: W, E. T8 ?3 M/ Y8 t: c }//子程序initial()结束

) \) K- Z* W ^- z* s8 X' a) ^0 @: s! Q4 X

//////////////////////////////// 6 H# [7 L) C6 t& T! G0 V ////第m个学习样本输入子程序/// /////////////////////////////// 7 c0 a, `5 Q+ z input_P(int m) 0 N6 ^! T! M9 x/ Z0 M5 W# u { for (int i=0;i<IN;i++) 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： . N/ p; C) j! q //P[%d]=%f\n",m,P); 4 p: s( d8 ]$ o2 E return 1; }//子程序input_P(m）结束 & t! Q0 h) J& b4 M9 _. N ///////////////////////////// ////第m个样本教师信号子程序// % }8 D0 [ w5 W ///////////////////////////// & M: x$ N+ p4 N) w7 I% L G! L input_T(int m) ?* v+ `: f/ k; ~( R% a { for (int k=0;k<m;k++) T[k]=Study_Data[m]->teach[k]; 1 I6 |9 M( L9 C y. e4 y //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); ; R9 B8 a1 d6 x8 ?% S return 1; / r0 r9 m- G) e }//子程序input_T(m)结束 + A0 q7 ^9 l' e ///////////////////////////////// //隐层各单元输入、输出值子程序/// 7 _2 Y2 L7 A4 i6 l5 p( v ///////////////////////////////// ; w4 a( B- E8 R, f( D H_I_O(){ double sigma; % M) Y# D9 X1 M4 v" \& } int i,j; : z7 K; p3 R9 G* a# x) V* ^9 I& f% V for (j=0;j<HN;j++) sigma=0.0; for (i=0;i<IN;i++) 9 }1 f0 G* C% r; d sigma+=W[j]*P;//求隐层内积 - B5 h+ F9 R! M } X[j]=sigma - sita;//求隐层净输入 # O Q3 X g! b% P H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } return 1; , W8 u+ X( p0 g m0 L$ r }//子程序H_I_O()结束 /////////////////////////////////// //输出层各单元输入、输出值子程序/// /////////////////////////////////// 8 V/ f6 ^2 `* u, g; F& c O_I_O() { double sigma; 8 x7 m9 B0 h& z `& I for (int k=0;k<ON;k++) sigma=0.0; for (int j=0;j<HN;j++) sigma+=V[k][j]*H[k];//求输出层内积 3 K8 m& ~4 h, H2 J' [& ~/ ?1 W } Y[k]=sigma-gama[k]; //求输出层净输入 O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 } return 1; }//子程序O_I_O()结束 //////////////////////////////////// //输出层至隐层的一般化误差子程序//// //////////////////////////////////// double d_err[ON]; Err_O_H(int m) ; `# c. y0 |4 P! D" @/ R { ; L: L4 ?8 D% i' h" r' y. y7 W double abs_err[ON];//每个样本的绝对误差都是从0开始的 # f, W r) u4 Y' `5 a3 a/ b double sqr_err=0;//每个样本的平方误差计算都是从0开始的 - i6 u; X: s0 T! N; L //for (int output=0;output<ON;output++) //output??? 2 a2 F" A- N5 H% [* q5 ^5 k for (int k=0;k<ON;k++) 9 [# T. H3 [5 s; _) s1 ]$ ] _" @- C8 U9 { 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 3 x, c- I$ e9 f/ ~" ? 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 7 }% O5 q6 u* O* S" h, i( F* F. j } 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 1 ]1 k& k2 B' V- Z9 L% K( M return 1; }//子程序Err_O_H(m)结束 //////////////////////////////////// ! [1 A' V! x' f0 A) q. s4 N //隐层至输入层的一般化误差子程序//// //////////////////////////////////// {" S/ g% s4 m double e_err[HN]; Err_H_I(){ . ?3 p$ H! J6 h$ p/ @) g; t+ ^ double sigma; //for (int hidden=0;hidden for (int j=0;j<HN;j++) & a7 A# A/ D0 T sigma=0.0; g: r0 y& A m% y for (int k=0;k<ON;k++) 1 c1 s; z6 J: S sigma=d_err[k]*V[k][j]; 8 C1 F: ^/ m' ^: F/ ? N6 F V } e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 / p s: U6 C' C: R% } } return 1; }//子程序Err_H_I()结束 / o0 s L# t7 O. A9 `" D //////////////////////////////////////////////////////// p4 e# B7 s% V! M3 b X; x6 Q //输出层至隐层的权值调整、输出层阈值调整计算子程序////// //////////////////////////////////////////////////////// , E! g9 R4 ?5 J8 S! c Delta_O_H(int m,FILE* fp) ( ?9 S$ V; \2 H { ' O0 T5 a4 B& N! ^( s for (int k=0;k<ON;k++) ( Z& \/ J9 s" ` 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]); 1 _- {+ R& [3 W p V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 ) d1 e# d% S: L3 @ ? } gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 } return 1; }//子程序Delta_O_H()结束 & L& b% v, R. O4 p7 p! n3 G) X ///////////////////////////////////////////////////// 5 V2 s2 {9 F! v //隐层至输入层的权值调整、隐层阈值调整计算子程序///// , V( i' |1 j0 t, } x6 W' ?' v ///////////////////////////////////////////////////// 0 J: J4 Y4 C& R3 ?. C Delta_H_I(int m,FILE* fp) { for (int j=0;j<HN;j++) ! B) n7 i8 W% q% \ for (int i=0;i<IN;i++) - E( L u2 W9 n% G( X$ I2 Q //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]); W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 * ?$ i: z* k% a } 4 F( V; q) u; [! B5 K sita[j]+=beta*e_err[j]; + n+ b4 k* ~$ S4 w9 M } return 1; }//子程序Delta_H_I()结束 ///////////////////////////////// * Z* j8 G. `- V' v. }0 I //N个样本的全局误差计算子程序//// . y6 G, o3 P4 A0 m% r8 K0 M ///////////////////////////////// ) b" h3 R& }6 g, g/ P" A2 K5 J double Err_Sum() t( a w3 P8 o% S { # H& F( }. g4 I) G* e2 Q% E6 j 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 - ~: a6 R ^# E% d" l" z } 5 g5 O3 ?" f; `& \- y7 n return 1; 0 X2 N6 K$ i, C& C3 m% m }//子程序Err_sum()结束 /**********************/ 1 I. K" G8 _9 {$ J4 Z/ f /**程序入口，即主程序**/ + G% U- d& S. t8 m /**********************/ main() { FILE *fp; double sum_err; int study;//训练次数 if ((fp=fopen("bp.txt","a+"))==NULL) / t# Y5 j! k* S, z4 H4 k! M { printf("不能创建bp.txt文件!\n"); exit(1); } - l, Q. P0 [2 i" f% B3 D% P+ y cout<<"请输入输出层到隐含层学习效率: alpha=\n"; : R1 x; |; {/ q5 [* K: J cin>>alpha; cout<<"请输入隐含层到输入层学习效率: beta=\n"; " q6 u& n) Y7 f, ?9 \. ?5 R cin>>beta; ; j0 ?! ^8 X3 N3 E& r( b I int study=0; //学习次数 # z Q& _3 ^3 p) I$ J double Pre_error ; //预定误差 4 F+ X; W Z5 ]6 } cout<<"请输入预定误差: Pre_error= \n"; % V! C3 O- h( a+ _' o3 J& I7 Q A cin>>re_error; int Pre_times; cout<<"请输入预定最大学习次数re_times=\n"; cin>>re_times; + z4 j. X9 I# U2 e+ O' s- @ 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; ) s' r3 R5 _7 u1 { for (int i=0;i<IN;i++) % E; I# D u6 u l. [# y+ R! m+ K& q2 K cin>>Study_Data[m]->input; ( j" I" }) H5 W8 f } " p5 v" q6 h& E/ C! u { for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组教师样本"<<endl; ! I+ c$ g0 O1 [/ x! Z for (int k=0;k<ON;k++) cin>>Study_Data[m]->teach[k]; } initial(); //隐层、输出层权、阈值初始化 (1) do { ! F/ Z. t8 ^" Y" P! T% v0 ` ++study; ///??? for (int m=0;m<N;m++) { 0 G$ g! G9 R2 j* U# B input_P(m); //输入第m个学习样本 (2) ' E0 @. Q2 G& t9 P0 x# F 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) 9 _! O) ~3 A8 n* G( s% A3 c 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) 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 ( F* M! k) C: }) r4 F5 w' ] sum_err=Err_Sum(); //全部样本全局误差计算 (10) 3 f! h- S1 C8 m3 B$ L4 N) } { $ y' }; U) W5 L0 g& B; | cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; 7 a7 v# X, K! H5 I7 }3 e2 O$ R fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); } # x% G2 |9 y# t) C# y8 b3 G" M while (sum_err > Pre_error) //or(study ! O! Y$ |% \& H" v { //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; , r2 @1 L1 N, P8 G1 ~3 \+ 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); fclose(fp); & _9 P1 e7 g B' L8 J: E } 7 a7 a4 h8 _0 [! i char s; 6 ^& i5 f* C3 X cout<<"请随便输入一个字符，按回车退出程序！\n"; ) Z+ i, f" F) r4 c( v cin>>s; 4 b6 j; n# n. [) D3 _; u, C% ] 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