神经网络在R语言 实现

haviet

ti<-proc.time()
BP_one_output<-function(input,output,m,fth,sth,w,v){
        x<-input;#7*8
        y<-output;#8*1，y为向量，每一元素为一个样本输出值
5 X2 `- T: }! Z1 I5 B3 _( |        theta<-fth;#11*1
        gama<-sth;#标量
! O* i  v# T' `  g        if(m!=length(theta)) print("阈值长度错误！")
& C8 ?: f/ }6 [" B$ q) P        x<-rbind(x,t(rep(-1,ncol(x))));#8*8导致x的最后一列为阈值theta的权重
7 ]- m+ W+ I3 G        K<-nrow(x);#8一组样本的维数
' M: i$ k& J7 X, Q0 h; L        J<-ncol(x);#8一共有多少组样本
        w<-rbind(w,t(theta));#由7*11变为8*11
        v<-c(v,gama);#由11变为12，但请记住：在隐含层增加一个值为-1的节点，但与输入层并未连接
- X; O, n) s( O# O( [: |#定义函数f
        f<-function(h) 1/(1+exp(-h));
5 k' n" o4 H/ t+ p        epsilon<-alpha<-0.5;
        N<-0;#重复学习次数的计数
) Y3 v. n" R' R! \2 P        ei<-as.numeric();#记录每次迭代的平均残差平方和
        FW<-1;
/ j9 b/ A/ \. M' B  F8 k  J; r6 R        while((FW/J)>=0.001){
                Z1<-t(w)%*%x;#11*8矩阵，每一列为一组样本
                Y1<-apply(Z1,c(1,2),f);#11*8矩阵，每一列为一组样本在隐含层的值, a matrix 1 indicates rows,
                                                                                        #2 indicates columns, c(1, 2) indicates rows and columns
                Z2<-t(v)%*%rbind(Y1,t(rep(-1,ncol(Y1))));#8*1向量，每个元素为隐含层对输出层的加权值
; Q9 Z9 S, J8 g0 |! z                D<-f(Z2);#向量，每一元素为一组样本的一个输出值
                b<-y-D;
                #J组样本的学习
3 e8 }. Q: s9 W                #向量，输出层对隐含层的权值的偏导
                FW<-pFW2<-pFW2t_1<-0;
                pFW1t_1<-matrix(0,nrow(w),ncol(w));#矩阵，隐含层对输入层权值的偏导
3 ]& S/ F, y$ @0 h- \6 r8 G; F                for(t in 1:J){
                        B3<-b[t];
0 J7 ?7 G" U5 V, j4 i1 v( ?                        FW<-FW+B3*B3;#标量
                        B2<-f(Z2[t])*(1-f(Z2[t]))*B3;#标量
                        pFW2<--2*c(Y1[,t],-1)*B2;#12*1向量隐含层对输出层的权重偏导,此时多了一个阈值项
                        if(t==1) v<-v-0.5*epsilon*pFW2
                        else{
6 m! }+ t9 ]7 {$ z  T' N                                v<-v-0.5*epsilon*pFW2+alpha*(-0.5*epsilon*pFW2t_1);
                                pFW2t_1<-pFW2;
                        }
! F! }. H! |2 G) \% K# U2 K5 d6 k                        B1<-diag(f(Z1[,t])*(1-f(Z1[,t])))%*%v[1length(v)-1)]*B2;#11*1隐含层多出来的一个节点即阈值节点并未与输入层相连
                        pFW1<--2*x[,t]%*%t(B1)#8*11输入层对隐含层的权重偏导
                        if(t==1) w<-w-0.5*epsilon*pFW1
                        else{
                                w<-w-0.5*epsilon*pFW1+alpha*(-0.5*epsilon*pFW1t_1);
                                pFW1t_1<-pFW1;
+ K: P) M4 ^2 a5 ~: u. H* z: W                        }
* x- C- l  w- T, x  D& r                }
" u! h* f! \/ ~! U2 B                N<-N+1;
                ei[N]<-FW/J;
        }
8 g0 B4 R- j) e! ]4 H0 u4 Y        theta<-w[nrow(w),];#隐含层阈值
        gama<-v[length(v)];#输出层阈值
        w<-w[1nrow(w)-1),];#输入层对隐含层的权重
        v<-v[1length(v)-1)];#隐含层对输出层的权重
& f: `1 y$ r& Z/ E7 d        list(theta,gama,w,v,N,FW/J,ei)
0 a& W' O/ c( ]6 t}
. H6 |/ y# t6 H% c& I2 n1 E+ N1 Tx<-cbind(x1,x2,x3,x4,x5,x6,x7);
x<-t(x);
  a" O' O$ h+ }# d! u( ghidden_threshold<-runif(11);
7 ]6 g& O  E" @output_threshold<-runif(1);
w<-matrix(runif(77),7,11);
v<-runif(11);
5 i7 s4 V: a# T1 q0 S: E$ [result<-BP_one_output(x,y,11,hidden_threshold,output_threshold,w,v);
+ l" J2 Y  j- {% |9 |. Q- N5 x#输出
  |0 `- q  N* M& f4 Mcat("\n");
cat("隐含层阈值theta","\n",result[[1]],"\n");
, D6 S2 J; E# g" G7 L9 Hcat("输出层阈值gama","\n",result[[2]],"\n");
6 O4 o% s2 _9 Q7 _) rw<-as.matrix(result[[3]],7,11);
cat("输入层对隐含层的权重w","\n");
; b3 S2 }5 e5 U) `& Gw;
cat("\n");
6 K1 K; H: h( f# Ucat("隐含层对输出层的权重v","\n",result[[4]],"\n");
cat("迭代次数N" ,"\n",result[[5]],"\n");
cat("学习误差FW","\n",result[[6]],"\n");
cat("每次迭代的误差","\n");
' Y" m" W0 x$ p4 f& u$ |plot(result[[7]],type="l",ylab="每次学习误差",xlab="反复学习的次数");
& Q( G7 H, W6 r6 i9 j: ^proc.time()-ti

廷植斌_972

支持~~顶顶~~~

Esmtih

运行不了啊？

黄窗帘

就看看，不说话。

凌chers

能不能解释一下呢？

兰竹李乐

这牛逼的你自己编的吗