[转帖]C++的BP算法源程序

ilikenba

#include "iostream.h" / Q- \4 }* d- Z* A #include "iomanip.h" 0 Z: l6 q/ Z. n/ ~0 i, @ #define N 20 //学习样本个数 ! A4 Z( r. w+ w, t8 r( O t3 S #define IN 1 //输入层神经元数目 # Q5 }: d7 B+ v" c #define HN 8 //隐层神经元数目 / \' J7 P) d' l* W9 n" H #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 6 h* x! O6 a$ v+ ] double W[HN][IN]; //输入层至隐层权值 0 k( E( Z: @8 ]9 v. t& M double V[ON][HN]; //隐层至输出层权值 7 A C- q! B$ M* \. f8 p1 S+ q double X[HN]; //隐层的输入 double Y[ON]; //输出层的输入 9 X$ ]9 u8 Q/ W5 h double H[HN]; //隐层的输出 double O[ON]; //输出层的输出 5 r4 G$ ]! |0 L; {; Z double sita[HN]; //隐层的阈值 % x% Z" N" x& N1 a$ ? double gama[ON]; //输出层的阈值 2 R0 f% H ?& p- S p3 k 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 b3 \3 P) \# J" h //定义一个放学习样本的结构 % I/ s; }( H' o6 y struct { ' G$ e5 Y/ f# A& S+ c+ M/ Z# m9 \ double input[IN]; double teach[ON]; }Study_Data[N][IN]; " Z h- e4 y8 O9 A E; }+ v. R' T' ]) r /////////////////////////// 4 Z$ R0 @- E. B( P9 b6 V" ~ //初始化权、阈值子程序///// /////////////////////////// # O7 n. U6 _. E7 M* ?5 }" t( W7 X initial() . [+ {) ?" G( U: m6 u' u$ i { 9 w8 l# D; }2 |) i, i" ~% ? float sgn; " _0 v, S. t( m" w, T4 V float rnd; S8 e: k! t3 Q; ^7 ? int i,j; 6 T, J5 N% @2 W+ o* Z/ q //隐层权、阈值初始化// { //sgn=pow((-1),random(100)); ' m7 T9 S! _3 n( {& b sgn=rand(); rnd=sgn*(rand()%100); 3 {: X2 O. C% o! _ W[j]= rnd/100;//隐层权值初始化。 } //randomize(); 7 M- s, b, _8 X+ ]+ u, |: W c { //sgn=pow((-1),random(1000)); sgn=rand(); + P# @4 |3 Q% O* q rnd=sgn*(rand()%1000); 0 t2 h# o" n( d) a# h5 V sita[j]= rnd/1000;//中间层阈值初始化 & ?3 d( P/ f1 C+ i cout<<"sita"<<sita[j]<<endl; 8 |! N( E' p0 m/ T6 y2 r } //输出层权、阈值初始化// //randomize(); 8 e+ x6 l8 h" \/ |1 v. k& W for (int k=0;k<ON;k++) 6 F4 i/ b$ ^6 }( p( |2 h) ^1 f for (int j=0;j<HN;j++) $ ^. ?/ g' G5 o0 | { //sgn=pow((-1),random(1000)); ' ~& w w; k m% r! @: s sgn=rand(); rnd=sgn*(rand()%1000); V[k][j]=rnd/1000;//第m个样本输出层权值初始化 $ a# M w E7 E( ]7 ]9 G } //randomize(); / R0 f/ S) J/ {2 y4 c. Y' t" }* a9 n { 9 i G) w. b8 E0 p) z //sgn=pow((-1),random(10)); sgn=rand(); rnd=sgn*(rand()%10); 5 f+ D0 o; |; d gama[k]=rnd/10;//输出层阈值初始化 5 `) B8 @9 e: T cout<<"gama[k]"<<endl; 2 E- i* K' n# T5 ~7 T% X q } return 1; ) A O N& a$ j6 i: ` }//子程序initial()结束

//////////////////////////////// ////第m个学习样本输入子程序/// /////////////////////////////// o6 z" l2 P" e' n8 n" Q input_P(int m) { for (int i=0;i<IN;i++) ) N1 p) M: M5 F2 [ P=Study_Data[m]->input; 3 R3 o2 e9 n' V; z //获得第m个样本的数据 $ a' E& ]$ C" @ //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： & e0 I8 A+ c) C) k //P[%d]=%f\n",m,P); " T7 k7 Z5 C6 t& d return 1; * q+ x/ T6 s1 F% v8 s# O- f) s }//子程序input_P(m）结束 7 f0 d4 [6 O' y' o2 q: l ///////////////////////////// % s. ]! T+ M5 y- \3 J ////第m个样本教师信号子程序// ///////////////////////////// input_T(int m) { for (int k=0;k<m;k++) T[k]=Study_Data[m]->teach[k]; ( C s5 f s1 H( g //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/// + x7 @* z: P! a' A' l: a0 T ///////////////////////////////// H_I_O(){ " n3 O" \5 l$ J. z% [ double sigma; / g9 s. t7 k$ h3 J a& ` int i,j; for (j=0;j<HN;j++) 5 c( m4 [' Q5 L. R" | sigma=0.0; % a9 [& A4 `: x! [! u& v for (i=0;i<IN;i++) sigma+=W[j]*P;//求隐层内积 % |4 g& V2 h6 J: |" M( i& q } $ p& C4 R( F( G5 D( }9 p X[j]=sigma - sita;//求隐层净输入 H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } & ^5 r9 J5 o' R( b G$ n7 F" ? return 1; 9 h, l& z/ P; Q0 a; {6 f4 D- _+ B }//子程序H_I_O()结束 0 L. @: Y3 w+ P: G+ H /////////////////////////////////// //输出层各单元输入、输出值子程序/// /////////////////////////////////// , [; p, V8 ^8 ?5 d8 B" { O_I_O() { double sigma; for (int k=0;k<ON;k++) ; c; z; ~( J; P7 I sigma=0.0; for (int j=0;j<HN;j++) sigma+=V[k][j]*H[k];//求输出层内积 & P! Y4 G/ b4 ~3 N; a2 A } ; c/ W9 R' W6 J: Q- V$ _ Y[k]=sigma-gama[k]; //求输出层净输入 9 L4 Y2 p6 L+ N" O O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 5 \; @( K: }- F9 P- @6 m } " q+ x# }# }7 r/ o& } return 1; }//子程序O_I_O()结束 //////////////////////////////////// : O) n% j2 v8 l7 q7 |) R7 K- o //输出层至隐层的一般化误差子程序//// //////////////////////////////////// 7 P4 \4 g: Q* e* U% u' A& Y double d_err[ON]; Z0 l2 ]% {/ ^1 t9 G# x Err_O_H(int m) { double abs_err[ON];//每个样本的绝对误差都是从0开始的 / I" H3 f8 Y g7 t P 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??? / w# u! u: @" w for (int k=0;k<ON;k++) abs_err[k]=T[k]-O[k]; 1 q1 W/ j/ ~, b( S- o6 o //求第m个样本下的第k个神经元的绝对误差 6 U1 Q7 P5 T$ ~- ~ 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 } : z: y- l% ~1 p: [" A 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; }//子程序Err_O_H(m)结束 {; p& t" d) ?8 c j //////////////////////////////////// - J4 B5 R9 u, I% A3 k //隐层至输入层的一般化误差子程序//// //////////////////////////////////// double e_err[HN]; Err_H_I(){ 9 u8 t, M/ U; i$ Q/ g double sigma; ( t/ X. ]; ?. P, t, C& h9 W //for (int hidden=0;hidden - U9 x+ `1 W! b% | for (int j=0;j<HN;j++) / n; J3 m1 V/ ]& ? sigma=0.0; . y6 Z5 t3 S7 u2 d for (int k=0;k<ON;k++) & p1 N( y4 S1 u& Q( K' D sigma=d_err[k]*V[k][j]; } 1 L' e2 R, b8 K" |# K/ } e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 4 ^1 s, `4 z& N* o } + }: X& Q+ @2 @$ B' N$ I( [ return 1; * W4 x" Y* v; V3 E2 F- ^ }//子程序Err_H_I()结束 / a6 K# `* F7 r //////////////////////////////////////////////////////// //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) { n+ b. U* ^; `; w% ^ for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) " A. b0 p$ Y) Z" ~$ S/ R1 k //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]); 2 l- `$ C" o0 ^7 ] V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 } - g! s# F( `& y& Z8 }2 E gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 } ; |' f* m: e4 u3 v- d% Z7 z return 1; }//子程序Delta_O_H()结束 ; T# b, b! u7 q5 I8 M, r2 X ///////////////////////////////////////////////////// * z% i$ z/ T& }% z7 |/ u* e //隐层至输入层的权值调整、隐层阈值调整计算子程序///// " V: b! ^" G B% ?' o ///////////////////////////////////////////////////// Delta_H_I(int m,FILE* fp) + l6 g! R1 U G- [ { % n) A2 @( P) e for (int j=0;j<HN;j++) for (int i=0;i<IN;i++) % k* e7 g) x+ 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 } 4 A# Q+ Q. Z" k; G sita[j]+=beta*e_err[j]; } return 1; ! K4 {0 A1 U) d }//子程序Delta_H_I()结束 2 \# u$ f( J. [- Z- E ///////////////////////////////// * q! S9 h- `: r8 p3 X- t //N个样本的全局误差计算子程序//// + r9 M0 Q: V8 e+ ], A ///////////////////////////////// + t7 E! J% H6 }% g% T( F double Err_Sum() { 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 } return 1; 2 {% A. c4 ?5 c' I4 x' s }//子程序Err_sum()结束 /**********************/ /**程序入口，即主程序**/ /**********************/ main() { FILE *fp; ( ]+ f8 A7 k5 T2 ` R1 V1 ~; K double sum_err; 7 n2 e$ y+ |) O int study;//训练次数 if ((fp=fopen("bp.txt","a+"))==NULL) 5 z' h, N" |3 s# Z { : p" L8 C! u, F2 n printf("不能创建bp.txt文件!\n"); exit(1); 8 p7 D: H7 b8 D* i: T$ S } $ z' d d+ n3 m6 V cout<<"请输入输出层到隐含层学习效率: alpha=\n"; ! I( Z6 n; t( D. \: k: K7 r) _ cin>>alpha; ' q; @# i6 v% B q$ b cout<<"请输入隐含层到输入层学习效率: beta=\n"; cin>>beta; 9 _- P5 \) L( ~4 l! ?/ p* a' x& r0 Q int study=0; //学习次数 8 c& d! j2 f$ ?9 ]' i double Pre_error ; //预定误差 ) l* V/ {# h2 e cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; int Pre_times; ' y4 T/ m# X4 t$ b cout<<"请输入预定最大学习次数re_times=\n"; cin>>re_times; cout<<"请输入学习样本数据\n"; { 7 X D2 n: Z# j for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组学习样本"<<endl; ! P% h8 [6 |; M, r0 s for (int i=0;i<IN;i++) ! @# m1 o+ n% z cin>>Study_Data[m]->input; } { for (int m=0;m<N;m++) . ~7 X6 A* a5 I( X, ? cout<<"请输入第"<<m+1<<"组教师样本"<<endl; 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 { ++study; ///??? for (int m=0;m<N;m++) { # E4 {9 G' }; g2 i input_P(m); //输入第m个学习样本 (2) 0 Z5 {) D/ P6 v 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) 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) 7 Z k9 `- o2 ]: H! f Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (7) , r; b# _! u y S0 i z 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) 6 d: P. E7 ], Z2 ]- y 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) 8 F2 p# R3 {' Y; I w } //全部样本训练完毕 6 [. |; U+ F# A8 `0 r* h! T! N8 K sum_err=Err_Sum(); //全部样本全局误差计算 (10) 0 i* B2 H% E) `& A7 w { cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); } 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) M0 C( q/ L8 n! ^) } 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); j) y! _ u3 b$ c* y: U0 L fclose(fp); 2 C0 D# W: u; q7 L1 F! n: ] } char s; ) `0 z! S: M- i cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; 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