[转帖]C++的BP算法源程序

ilikenba

" k8 j( c/ ]! q( ]$ Y, W

#include "iostream.h" #include "iomanip.h" 6 c! P' C8 v8 W/ c6 O Y #define N 20 //学习样本个数 #define IN 1 //输入层神经元数目 4 p. b3 K9 I+ y$ h! ~; O+ N1 _ #define HN 8 //隐层神经元数目 #define ON 1 //输出层神经元数目 / H% c/ l& y4 _( i3 I. l double P[IN]; //单个样本输入数据 double T[ON]; //单个样本教师数据 : y2 R; a! F }5 H double W[HN][IN]; //输入层至隐层权值 double V[ON][HN]; //隐层至输出层权值 ' C2 a3 S, X1 X4 E3 h( o double X[HN]; //隐层的输入 double Y[ON]; //输出层的输入 double H[HN]; //隐层的输出 double O[ON]; //输出层的输出 double sita[HN]; //隐层的阈值 * A0 {; d% \8 D double gama[ON]; //输出层的阈值 double err_m[N]; //第m个样本的总误差 ! ]; w4 K4 u, G u7 i0 E+ }/ w double alpha; //输出层至隐层的学习效率 7 D! ]3 Q3 w& i- r. X double beta; //隐层至输入层学习效率 //定义一个放学习样本的结构 struct { ; X# {4 S( o8 E! H5 m1 s double input[IN]; double teach[ON]; 5 p! W0 u* e- S' ?% e, R; o }Study_Data[N][IN]; 1 j v$ |/ k. Z- [8 k5 b /////////////////////////// //初始化权、阈值子程序///// /////////////////////////// initial() { float sgn; float rnd; int i,j; //隐层权、阈值初始化// . _/ ]3 g1 r4 V- p) V { //sgn=pow((-1),random(100)); sgn=rand(); rnd=sgn*(rand()%100); W[j]= rnd/100;//隐层权值初始化。 / ~4 F5 a( f) `7 o6 C } , o9 W+ q X# U! b3 T6 f. v //randomize(); \4 G8 ]5 m I/ g2 s { s" X {5 ~( e; x3 U: N# q! I) A //sgn=pow((-1),random(1000)); sgn=rand(); % c7 J3 y" s; D/ Q# M rnd=sgn*(rand()%1000); l1 ]( E( T4 Y sita[j]= rnd/1000;//中间层阈值初始化 cout<<"sita"<<sita[j]<<endl; } //输出层权、阈值初始化// 6 @1 E1 o+ j) C/ u8 A //randomize(); 6 S. Y& t- u5 V4 C8 r' F; {0 r for (int k=0;k<ON;k++) 1 j- v1 D# B* Z6 m8 ] for (int j=0;j<HN;j++) 2 y: Z/ B; `5 {% z3 s' [' @# e { //sgn=pow((-1),random(1000)); sgn=rand(); 1 Q! t6 i- u5 }% T rnd=sgn*(rand()%1000); V[k][j]=rnd/1000;//第m个样本输出层权值初始化 } 9 A+ P9 I2 E. P7 g* I* [! l- G //randomize(); { 4 g5 K1 `' ]" C! z //sgn=pow((-1),random(10)); 1 b" X. d5 ?* D1 ^# `2 Q sgn=rand(); 8 V1 A* q, d' {: H f- l. p rnd=sgn*(rand()%10); % q) v: ^8 |* O( q$ {8 { \ gama[k]=rnd/10;//输出层阈值初始化 ! z$ ~3 ?. n2 d1 N* X# }) n0 z cout<<"gama[k]"<<endl; } return 1; }//子程序initial()结束

//////////////////////////////// ////第m个学习样本输入子程序/// & r* B/ s2 q& S- ^1 @* X4 k7 d3 T, w /////////////////////////////// input_P(int m) $ ]6 c8 M9 L Z/ p1 Q S# F2 A2 _ { for (int i=0;i<IN;i++) $ ~. S" S) h- {! _+ q( m, i% y P=Study_Data[m]->input; 3 W9 D; R4 n* b& W //获得第m个样本的数据 //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： //P[%d]=%f\n",m,P); * u$ j" Z! D/ F, ^5 u5 c return 1; }//子程序input_P(m）结束 ///////////////////////////// * C, d7 _( p; g+ j& C- d ////第m个样本教师信号子程序// ///////////////////////////// 2 m8 o* i1 @; z( F input_T(int m) { for (int k=0;k<m;k++) - z! F4 v {: L& N T[k]=Study_Data[m]->teach[k]; ; i# m8 M7 x1 F* Z, C* ? //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 ///////////////////////////////// //隐层各单元输入、输出值子程序/// 0 h1 b- Z. F) ?! [# I ///////////////////////////////// H_I_O(){ % m {( P& ~+ ^- o/ H) \8 P: Q double sigma; int i,j; for (j=0;j<HN;j++) sigma=0.0; 6 B2 o" e! _* a/ ^% O3 s; U, T3 v for (i=0;i<IN;i++) - t9 d# r; d6 g sigma+=W[j]*P;//求隐层内积 $ P1 H0 m6 z7 A0 z } 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; + d# `/ I. C. J' T1 ~ }//子程序H_I_O()结束 + o, e0 b5 h# P; H) c* n$ f /////////////////////////////////// //输出层各单元输入、输出值子程序/// /////////////////////////////////// - R( Q% ?: ~: Z0 m O_I_O() { double sigma; for (int k=0;k<ON;k++) - n/ Z8 w2 J _. t. C+ L3 A sigma=0.0; " v0 I- i6 F2 ^% D+ V c for (int j=0;j<HN;j++) ) A1 H2 r5 L) O sigma+=V[k][j]*H[k];//求输出层内积 ! ~6 h. E1 y2 a5 {( G& ?* Y } 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 % s3 i. v5 [. ~. i" N } return 1; R0 W7 }% F2 n1 V1 F5 m }//子程序O_I_O()结束 7 e1 b/ M# J- P3 z4 [ //////////////////////////////////// //输出层至隐层的一般化误差子程序//// 2 H4 Q6 J$ e# k0 Q9 y* H6 ~ //////////////////////////////////// double d_err[ON]; # A; J/ \/ ?; u. p2 z" ~ Err_O_H(int m) ; T% z5 _, W& P; I$ z* h! C { 0 R: ?1 u1 o$ ]9 x9 I9 f+ d double abs_err[ON];//每个样本的绝对误差都是从0开始的 2 n/ T! W" q/ | y N8 G" d 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??? ' ]4 U) Z# s8 e for (int k=0;k<ON;k++) - b+ J$ K( x, u* s 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 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 5 w6 U, n: [! P2 ~/ k: c6 G return 1; 7 r. l N @# N7 X! i2 p6 ~ }//子程序Err_O_H(m)结束 ' w$ S* B& i7 C: U9 d. Q //////////////////////////////////// + J2 D% m2 [7 Q# e( Z8 l: h) ] //隐层至输入层的一般化误差子程序//// //////////////////////////////////// 0 N6 `- k, _: z double e_err[HN]; Err_H_I(){ ' e1 Q. d; g4 B7 L, E0 }( Q* M double sigma; 8 ~' \- z5 \$ ~3 P" d. i* o! ` //for (int hidden=0;hidden 7 V) A& f+ a/ k; s for (int j=0;j<HN;j++) & p+ C+ M6 Z3 Z1 l( n3 P8 L' [3 v sigma=0.0; for (int k=0;k<ON;k++) sigma=d_err[k]*V[k][j]; } 1 o. U8 r' N& |2 I$ P e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 7 {; V p& n: @ } / l3 l! o' j$ j2 U1 Q' U% K return 1; $ U+ I, B! B. N8 r/ o3 _+ }( F }//子程序Err_H_I()结束 //////////////////////////////////////////////////////// # }2 Q2 \0 u. n: s- Y5 W( G8 c9 v //输出层至隐层的权值调整、输出层阈值调整计算子程序////// //////////////////////////////////////////////////////// " J, x2 B& I" v, ~2 m) g. N( M Delta_O_H(int m,FILE* fp) { for (int k=0;k<ON;k++) $ B$ n- X! \0 z for (int j=0;j<HN;j++) ' b8 b. r( {! l8 A$ g# D% y //cout<<"第"< - F, s; \3 F# j: M/ ^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]); 9 n0 E- G- p* @% L V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 7 o* y Y+ L. C( ^ ]; w. V } - d7 Q J* ^5 x2 i) K. _) t gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 6 U& H+ c' j, Y: [2 f } return 1; }//子程序Delta_O_H()结束 ///////////////////////////////////////////////////// . @% R% `/ `! }: o" _. O0 ]3 h //隐层至输入层的权值调整、隐层阈值调整计算子程序///// ///////////////////////////////////////////////////// 2 {( `. A+ A/ p Delta_H_I(int m,FILE* fp) 8 F; i3 _* O4 N/ ^( W { , t5 F! T( D8 H$ V2 m 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]); W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 8 N+ W( ]/ ` e% x } . a6 z( }+ E, @$ } sita[j]+=beta*e_err[j]; } % x- x$ W2 z9 c# f: A return 1; 7 V% i0 i7 y* F. J/ t# Z }//子程序Delta_H_I()结束 ///////////////////////////////// ; p# H5 r8 X1 @* z& k //N个样本的全局误差计算子程序//// 6 N$ V8 [# Z, F6 U9 [. r" _0 R ///////////////////////////////// ; m% |0 \' O9 y7 B double Err_Sum() { double total_err=0; : Q' h0 x5 V4 k8 L& t 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 } # R+ v T& X$ C! B q. h5 p return 1; }//子程序Err_sum()结束 # w5 _5 z3 D/ _: | /**********************/ 2 o: d! w* l+ E* ^8 d( O2 f /**程序入口，即主程序**/ " n& @5 f( S' P( _ /**********************/ 1 `4 e& K9 r; ] main() 7 J" M) B$ t y+ h { # }! _7 J& |0 ?9 Q& k5 e FILE *fp; - Z7 t' x) {6 k0 C double sum_err; ( q1 Q/ i( [0 e9 _7 L int study;//训练次数 if ((fp=fopen("bp.txt","a+"))==NULL) 7 h# M/ a' [! [% y { - r7 v! @, [ Z5 ^4 I6 p printf("不能创建bp.txt文件!\n"); 5 s7 b! `. K! }* Q. _ A" V B w exit(1); ' S: \3 U- {* p } n3 s7 n: f2 K0 w6 d cout<<"请输入输出层到隐含层学习效率: alpha=\n"; cin>>alpha; 4 d+ M# h8 `" m. o7 u+ R* Z+ L7 {8 b cout<<"请输入隐含层到输入层学习效率: beta=\n"; cin>>beta; 5 h( M8 o2 C2 N, i* a( P int study=0; //学习次数 & m! k. ^& T8 I, q double Pre_error ; //预定误差 4 }: k) ?$ V3 v% Q0 s cout<<"请输入预定误差: Pre_error= \n"; : D3 m' v c: t, A7 L cin>>re_error; 5 u. J0 I) b0 b( F9 d% B int Pre_times; cout<<"请输入预定最大学习次数re_times=\n"; cin>>re_times; - M1 B( w5 @) y- J f1 b9 Q" u cout<<"请输入学习样本数据\n"; % g9 [/ R8 M$ l8 ]1 B8 I { ; T0 {& j8 o3 _4 w6 Z for (int m=0;m<N;m++) 4 K/ ?- S: s9 n( n$ v% y cout<<"请输入第"<<m+1<<"组学习样本"<<endl; for (int i=0;i<IN;i++) ; D3 R; w. i* A0 y! t cin>>Study_Data[m]->input; } { - M! ]" e; G5 }( n5 \. S4 P0 m for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组教师样本"<<endl; 4 W; r' E2 Y$ K5 {% N& F2 q for (int k=0;k<ON;k++) 7 i2 D" @7 o" v q. P cin>>Study_Data[m]->teach[k]; * [& Z a* r1 f, P5 F; N } ' O/ s2 h% h+ v1 h7 T. h' F initial(); //隐层、输出层权、阈值初始化 (1) do 7 ~( _: t# _- M, H. { { ++study; ///??? for (int m=0;m<N;m++) ) S$ B1 N3 Z! D0 j0 p4 |* e { 5 V/ n0 `8 g f ? input_P(m); //输入第m个学习样本 (2) input_T(m);//输入第m个样本的教师信号 (3) $ o3 L% I6 r; ] x* ^) X H_I_O(); //第m个学习样本隐层各单元输入、输出值 (4) : V" F" [* n( Q) n+ p+ C8 } 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) ) M' i3 q: |, u: s5 i$ m$ ? Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (7) & o) G. B4 b- I* \& 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) } //全部样本训练完毕 sum_err=Err_Sum(); //全部样本全局误差计算 (10) { - j* J9 [8 w$ f* g1 a' F cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; " l( I- z/ J( R* Y( l fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); ! s$ B& I; W/ n" v: q9 N! ~ } while (sum_err > Pre_error) //or(study & r# e9 U/ H. J: C5 x7 }7 Z { //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; 1 y7 a' {; g1 L+ S' R 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); ' u# S) o/ a( m& c# j$ i } char s; cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; 3 c( v' N$ F! y8 O( |* z6 ^ 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