[转帖]C++的BP算法源程序

ilikenba

' o$ Q' z! n' n

#include "iostream.h" #include "iomanip.h" #define N 20 //学习样本个数 ' w3 P4 S- |& O1 w0 s; j6 D: e% }, M$ M #define IN 1 //输入层神经元数目 4 l O& z. Q+ J' m8 h5 z0 { }8 O #define HN 8 //隐层神经元数目 3 ]6 v4 D- p* I+ E# F! A& V. h. I #define ON 1 //输出层神经元数目 # @, a5 n1 k/ z( j double P[IN]; //单个样本输入数据 , W' J! B( l, p. A double T[ON]; //单个样本教师数据 8 G4 F8 w, n/ `$ P* } double W[HN][IN]; //输入层至隐层权值 double V[ON][HN]; //隐层至输出层权值 - @# z, R" L% i" N$ p double X[HN]; //隐层的输入 * t9 q6 B: q8 p$ N' b# p% B4 P# k l double Y[ON]; //输出层的输入 double H[HN]; //隐层的输出 1 w) E, q. Q2 t4 a+ o" h2 ~ double O[ON]; //输出层的输出 ; l+ X8 G) T4 H c# R/ @ double sita[HN]; //隐层的阈值 % x3 \2 g$ r9 G' U" Q 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 double beta; //隐层至输入层学习效率 0 E; r# N" h! f( i2 e //定义一个放学习样本的结构 E) }" R$ j1 T. L: y struct { double input[IN]; double teach[ON]; }Study_Data[N][IN]; /////////////////////////// " f9 W5 O6 c9 C9 B9 M3 @ //初始化权、阈值子程序///// ) t0 J- T% [8 I /////////////////////////// initial() { " H' T( c5 Q: B: {9 w" { float sgn; float rnd; int i,j; ! y: |9 t( z" c B$ f: K" Y //隐层权、阈值初始化// 6 {: ~5 l: t; F9 P; ^5 N8 K2 A( z { : q( G/ ]; @1 n: k3 C; [* j //sgn=pow((-1),random(100)); sgn=rand(); rnd=sgn*(rand()%100); W[j]= rnd/100;//隐层权值初始化。 4 H" N* q. D C( X9 g8 x7 W5 E } . U n( z1 a/ k, b //randomize(); { //sgn=pow((-1),random(1000)); ; S4 I6 ~4 B4 a+ d* e, \' @ sgn=rand(); + D, U4 S% m6 b6 d0 ?# t rnd=sgn*(rand()%1000); : M& }2 P: C; C# U+ S sita[j]= rnd/1000;//中间层阈值初始化 / [! `6 v' |9 Z) c; {6 a( N cout<<"sita"<<sita[j]<<endl; 8 F9 ^0 b0 \+ `* J& r3 }9 ? } //输出层权、阈值初始化// //randomize(); ( T2 O0 L0 W2 B! Q' s5 X2 E5 i for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) # O5 o! Q7 {/ x' k { 4 @% d9 y) n" S/ L; B //sgn=pow((-1),random(1000)); sgn=rand(); ( u( f1 Y$ l2 @- w rnd=sgn*(rand()%1000); V[k][j]=rnd/1000;//第m个样本输出层权值初始化 } 5 I; Z9 E. k* ] K9 U //randomize(); { //sgn=pow((-1),random(10)); sgn=rand(); ! m- g2 j/ a! j Z7 H2 H rnd=sgn*(rand()%10); 0 v/ @/ ?' l$ A2 v, \! t+ ` gama[k]=rnd/10;//输出层阈值初始化 4 ^7 i V, @, B& W cout<<"gama[k]"<<endl; + [7 @9 F4 |: Y J } return 1; 5 D$ n6 q3 v% @, b3 K: E6 q; ~$ j * K6 A3 O" e, b/ U9 o }//子程序initial()结束

//////////////////////////////// 5 I* V2 C3 W Z) w. j& f ////第m个学习样本输入子程序/// /////////////////////////////// input_P(int m) ' e* r" D/ a- M9 I5 e4 t { " { S6 E; J; G5 s4 a0 A7 P for (int i=0;i<IN;i++) P=Study_Data[m]->input; //获得第m个样本的数据 . n1 n9 {4 ^5 H1 a5 `' A4 T: M0 U7 C //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： //P[%d]=%f\n",m,P); return 1; }//子程序input_P(m）结束 ///////////////////////////// : P7 o! Z& z8 r ////第m个样本教师信号子程序// ///////////////////////////// input_T(int m) + x% `7 S/ O; U; a { 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]); return 1; ) ?3 \. `, Z* U$ j; u# V' p3 s }//子程序input_T(m)结束 & f) L2 |9 K. W$ _; G' s: L ///////////////////////////////// //隐层各单元输入、输出值子程序/// 9 A$ q! D* _' S# I3 P ///////////////////////////////// ) R' q1 B0 @# c8 b H_I_O(){ double sigma; 4 e5 {( z7 f. w, K. S int i,j; % a/ M& q+ f. M; b* O7 y for (j=0;j<HN;j++) sigma=0.0; , O2 U2 D8 ?: ^1 Q( c d for (i=0;i<IN;i++) sigma+=W[j]*P;//求隐层内积 * C0 E4 x4 X, n# y } & X; C9 J3 `" E: z2 g X[j]=sigma - sita;//求隐层净输入 H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } return 1; , l9 w. Z: c+ H7 Y5 S! Z }//子程序H_I_O()结束 /////////////////////////////////// ) m0 m' i/ A, Z; L4 J //输出层各单元输入、输出值子程序/// /////////////////////////////////// O_I_O() 4 C. X% U! z, I7 e$ S { 8 r$ w+ I7 E8 } A double sigma; for (int k=0;k<ON;k++) sigma=0.0; for (int j=0;j<HN;j++) ! }9 U$ c& Y2 R sigma+=V[k][j]*H[k];//求输出层内积 ( O, A* q% D# {, f } % [ x; d% e$ O) c$ g- |" ~) p7 r9 e 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 4 x# Z; I+ e- Q( I/ h } return 1; }//子程序O_I_O()结束 , n' F i" K2 |, a3 Q //////////////////////////////////// , f |# h# V* i& P" m //输出层至隐层的一般化误差子程序//// //////////////////////////////////// ! [0 u( o) m0 `4 k5 Q double d_err[ON]; $ `% X/ |3 i3 q$ V0 s( J! ]9 P( | Err_O_H(int m) + M6 C1 Q* t" q9 V* [ { , I9 j9 j% L/ f2 r( N* S 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 ' j) p' P6 z/ j //for (int output=0;output<ON;output++) //output??? / }# Z- e( b4 H for (int k=0;k<ON;k++) 0 t1 p5 A4 w, d) k3 a# o5 @! V 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 sqr_err+=(abs_err[k])*(abs_err[k]);//求第m个样本下输出层的平方误差 3 d8 f! E1 w7 V% Q/ T& z 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 } 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; - p3 p* e3 y8 R* J- p }//子程序Err_O_H(m)结束 6 n6 `' T E/ R6 ~ //////////////////////////////////// //隐层至输入层的一般化误差子程序//// //////////////////////////////////// double e_err[HN]; Err_H_I(){ double sigma; 8 ]. o$ G$ }4 Y0 {" a //for (int hidden=0;hidden for (int j=0;j<HN;j++) # c0 v. x$ D+ Y! z! o+ |- q& l sigma=0.0; 0 ~- _3 }" t- k0 _ for (int k=0;k<ON;k++) 7 O* i% s1 z" D sigma=d_err[k]*V[k][j]; 5 ^4 p/ F/ s, p } ; q+ K0 x" O' C3 m. s4 T e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 2 s& F4 k* R1 L. X3 } } return 1; }//子程序Err_H_I()结束 & `5 D) ~$ Y2 c+ u4 J0 C //////////////////////////////////////////////////////// //输出层至隐层的权值调整、输出层阈值调整计算子程序////// + `# Z0 H k6 K, ~ //////////////////////////////////////////////////////// ( f5 ]- [# t% \ Delta_O_H(int m,FILE* fp) { for (int k=0;k<ON;k++) 8 d) D1 M3 d+ d/ y for (int j=0;j<HN;j++) //cout<<"第"< ' C' @9 o! Z( E5 c Jfprintf(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 } gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 / V$ O" R4 R7 k V" C* O( k6 C } 6 J- x& T9 p+ F+ F return 1; }//子程序Delta_O_H()结束 ///////////////////////////////////////////////////// & j! S4 j/ l: g. M' e //隐层至输入层的权值调整、隐层阈值调整计算子程序///// - f' J0 w0 x6 [/ N' A) `9 I ///////////////////////////////////////////////////// 1 k2 }' R# @; G3 n i Delta_H_I(int m,FILE* fp) : {- C& T( a" e/ |- I, X) t# S { " d( A$ e" Q. p7 H3 r for (int j=0;j<HN;j++) for (int i=0;i<IN;i++) 6 e7 F4 R3 b1 }/ a( ]6 t* M //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 T- w D! G6 q: V* s" x6 M7 I } sita[j]+=beta*e_err[j]; } return 1; ( E3 Y1 D' d9 r7 [/ e. J( b }//子程序Delta_H_I()结束 & z8 H+ Y$ j, w) D# a ///////////////////////////////// //N个样本的全局误差计算子程序//// 6 y: t( {& I E4 Z; G ///////////////////////////////// double Err_Sum() { , ]4 N; S4 a" z* g2 i$ \/ R4 A: o. q double total_err=0; for (int m=0;m<N;m++) ' ]( f7 ]! h- B8 w9 A( T total_err+=err_m[m];//每个样本的均方误差加起来就成了全局误差 5 K( c Q& J6 M) F } $ h* X3 J1 r) r: p return 1; }//子程序Err_sum()结束 /**********************/ 1 C( z1 a c: E6 g9 \& {) Q9 y /**程序入口，即主程序**/ # k0 @5 Q/ w6 k3 R9 l. I. t /**********************/ & \- v* B( v- c6 @6 l main() 7 d" D' A( M8 |% F0 G { & j# q" L! S' Z9 { L/ L FILE *fp; $ j: F9 J8 J9 K+ M double sum_err; int study;//训练次数 / w1 b4 M) p9 W" O if ((fp=fopen("bp.txt","a+"))==NULL) { printf("不能创建bp.txt文件!\n"); exit(1); } 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"; 2 n; M: W7 z! j! A, @ cin>>beta; . c* `2 F" u+ a7 V3 ^2 h1 l2 y# o int study=0; //学习次数 5 N, o, `7 {: _3 U! S double Pre_error ; //预定误差 cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; 7 c0 m- F% F n6 g Q0 O int Pre_times; cout<<"请输入预定最大学习次数re_times=\n"; $ A( x: I) x% M7 ]0 u8 Z cin>>re_times; cout<<"请输入学习样本数据\n"; 3 v2 r* `) g* j; ?: t, }& X4 C { ) y D: s+ I7 i6 P 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; } ) f5 L: O4 q2 W- C { for (int m=0;m<N;m++) # ]: C; Y; ?5 I$ y7 `+ v0 t" r1 L cout<<"请输入第"<<m+1<<"组教师样本"<<endl; / l# ]; I) F& B( }# e 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 # k/ B! w# ~6 C; u! D5 x { ++study; ///??? for (int m=0;m<N;m++) { ; W5 I" ^$ v/ e( K Y, t9 ^ input_P(m); //输入第m个学习样本 (2) X# T( n6 d4 C% M* x1 |; E" Y input_T(m);//输入第m个样本的教师信号 (3) + @/ k \( y* [% H6 Z H_I_O(); //第m个学习样本隐层各单元输入、输出值 (4) ( L. l8 ~4 a( Q9 b 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) % j- m$ X! S5 T" v2 ^- R2 p 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 x- m7 _8 }" d/ [& X' h( C3 a: X6 P sum_err=Err_Sum(); //全部样本全局误差计算 (10) & z$ N* Z9 C: C r9 o3 w# B { cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; + t9 p* y4 Y5 T+ v fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); ) N4 q- e) o- `1 z& Z } while (sum_err > Pre_error) //or(study * L8 _1 v+ R! A: W( R; R! I { //N个样本全局误差小于预定误差否？ 小于则退出 (11) ) I! L. k( [6 H- z# S 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); + }# t$ C) n& C( {8 z* n7 n$ o3 B } char s; / ?" m8 z' W- R6 N2 v1 @ cout<<"请随便输入一个字符，按回车退出程序！\n"; 7 ?$ p+ E7 B( _ cin>>s; : W5 f& M. o$ S% L* D return 1; ; B+ a! g' D$ V& e. g2 V; S }

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