[转帖]C++的BP算法源程序

ilikenba

: ?+ e2 D7 `; [/ f

#include "iostream.h" #include "iomanip.h" #define N 20 //学习样本个数 . Y m2 X }, ]7 O& D, n& f #define IN 1 //输入层神经元数目 #define HN 8 //隐层神经元数目 4 q' r' L4 f# x( E" J- r #define ON 1 //输出层神经元数目 9 @ t; v# m5 ] double P[IN]; //单个样本输入数据 3 a* j1 ]0 g# V2 f+ F& n/ E8 q double T[ON]; //单个样本教师数据 double W[HN][IN]; //输入层至隐层权值 & f! G9 {8 a# l: p/ H double V[ON][HN]; //隐层至输出层权值 double X[HN]; //隐层的输入 5 r$ k) A8 o0 f& \: J, _ double Y[ON]; //输出层的输入 double H[HN]; //隐层的输出 5 r/ T3 C$ ?7 c, }1 k double O[ON]; //输出层的输出 double sita[HN]; //隐层的阈值 double gama[ON]; //输出层的阈值 ! Q! X7 R: `5 h$ O; W 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 //定义一个放学习样本的结构 struct { ! n8 {* S4 H0 m double input[IN]; ! h7 u- i0 Q, b9 F! W double teach[ON]; }Study_Data[N][IN]; 9 {* a I7 ^" A8 T' F& y /////////////////////////// //初始化权、阈值子程序///// /////////////////////////// initial() { float sgn; w2 k8 N- ?) }% X& A% C* }; Z float rnd; int i,j; //隐层权、阈值初始化// { : B; ^8 i' C* \6 e4 f //sgn=pow((-1),random(100)); E6 |9 k1 b6 h sgn=rand(); rnd=sgn*(rand()%100); W[j]= rnd/100;//隐层权值初始化。 " t3 w& J- H7 U, @' g, m. A) | } $ V6 O( K1 K5 W8 {0 D //randomize(); { ~: x3 }( ^9 W% o$ w7 t* J! U //sgn=pow((-1),random(1000)); sgn=rand(); / N' S; s* _, a( J/ Q1 ` rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 3 g2 l2 j2 S3 E/ y; Z/ } ?' l cout<<"sita"<<sita[j]<<endl; * f6 ^# ]9 Z8 i6 m4 e } + a3 R- l- ]! o. l, r7 B/ Z //输出层权、阈值初始化// / k! U( j# i+ z: _ //randomize(); ' i" h5 g H0 X6 s c+ j2 @% { for (int k=0;k<ON;k++) 2 j) J; f9 i6 V6 s7 U5 N% h8 p for (int j=0;j<HN;j++) { % ?! j! t% }8 A4 s+ g, O* [& X% c //sgn=pow((-1),random(1000)); & U/ v- n6 _8 z2 [9 ^7 [ sgn=rand(); rnd=sgn*(rand()%1000); V[k][j]=rnd/1000;//第m个样本输出层权值初始化 } - f' _, Y. H3 i& w J! Z. o //randomize(); { . X& @6 E V' I7 k //sgn=pow((-1),random(10)); 3 f- D' J5 T0 s: V, Z) Q8 x; ?# c sgn=rand(); rnd=sgn*(rand()%10); , j/ d5 L% z5 R* w; n6 S gama[k]=rnd/10;//输出层阈值初始化 cout<<"gama[k]"<<endl; ' }6 u. d5 ]! }4 c5 | } 8 A$ f- r$ s' z5 q' _; |& ` return 1; }//子程序initial()结束

# u+ c' K4 P, P& H' C

//////////////////////////////// , k( F3 }& J- R, N4 e: f3 q" T ////第m个学习样本输入子程序/// /////////////////////////////// input_P(int m) { 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： //P[%d]=%f\n",m,P); ! w' Q- q3 _( O0 B; O% u return 1; }//子程序input_P(m）结束 - T7 ?1 j# r9 A9 X8 ^& i ///////////////////////////// ////第m个样本教师信号子程序// ///////////////////////////// 2 A7 a; p( }$ r2 z5 A! U input_T(int m) { for (int k=0;k<m;k++) & C, f' ^% s) ? T[k]=Study_Data[m]->teach[k]; 9 s- ]- s( \& O$ G 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 ( x) H# a, E* q8 j0 L8 ] ///////////////////////////////// //隐层各单元输入、输出值子程序/// * x/ ]6 Y1 T" } c; O ///////////////////////////////// , _+ P- D b. ~8 V$ Y H_I_O(){ double sigma; 2 _% y3 M+ @6 _: g& U- y ~+ @ int i,j; for (j=0;j<HN;j++) - ^ P# o! `1 o6 J4 F sigma=0.0; for (i=0;i<IN;i++) sigma+=W[j]*P;//求隐层内积 } ( r% B& Z; V7 W( }9 F X[j]=sigma - sita;//求隐层净输入 , W; a# X: z o& ^3 W' F7 f H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } / t$ ]: J; q' J' S return 1; }//子程序H_I_O()结束 /////////////////////////////////// ) `1 u+ e6 g9 r$ _( e2 ?# G& P //输出层各单元输入、输出值子程序/// /////////////////////////////////// O_I_O() { 5 R" X1 A9 l8 A double sigma; % s8 o- k/ y- e1 Y9 H& T/ |: ^5 t for (int k=0;k<ON;k++) + |3 k! y/ d- n4 ~2 J* ` sigma=0.0; 5 M) H% c5 G9 ?8 W for (int j=0;j<HN;j++) sigma+=V[k][j]*H[k];//求输出层内积 } 4 f0 E2 X# p$ w/ t, B 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 } E6 v, j: d! R2 d+ ^: v( }( ]$ c) v 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//// //////////////////////////////////// - U/ t ^2 f3 W6 h double d_err[ON]; Err_O_H(int m) 1 G- d) I$ Y$ S5 q# Z3 C* G { double abs_err[ON];//每个样本的绝对误差都是从0开始的 I q" _& g7 Z double sqr_err=0;//每个样本的平方误差计算都是从0开始的 - q p5 D, b4 @- K //for (int output=0;output<ON;output++) //output??? for (int k=0;k<ON;k++) 0 c9 ~3 Q) {: {& |# o# ^ abs_err[k]=T[k]-O[k]; - l9 {' S! _3 j6 ~/ ^7 s- u //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 , N0 V; x! x8 E: Z2 U+ e4 c 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 9 y5 t% L1 k; [# k1 ~ return 1; 4 { C5 T8 x; P }//子程序Err_O_H(m)结束 : r9 G( Y7 q& i //////////////////////////////////// //隐层至输入层的一般化误差子程序//// 1 X7 O( E+ Z- X# Y9 h) V' } //////////////////////////////////// double e_err[HN]; " O: `0 f% g+ X# y5 U2 f Err_H_I(){ double sigma; //for (int hidden=0;hidden for (int j=0;j<HN;j++) sigma=0.0; / B- E9 s; T% D- Q for (int k=0;k<ON;k++) $ S# T! ]: T" u' a5 S- B+ J2 ~ sigma=d_err[k]*V[k][j]; } e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 ; N' w+ s9 R6 D" G } return 1; ) t2 J) F9 i/ {' ] }//子程序Err_H_I()结束 , M+ Q% V7 n% A //////////////////////////////////////////////////////// 1 H/ o& x. L5 j! B# x //输出层至隐层的权值调整、输出层阈值调整计算子程序////// ) K7 \! E* g. R: f0 n& A //////////////////////////////////////////////////////// % _/ P( l8 d: D Delta_O_H(int m,FILE* fp) { for (int k=0;k<ON;k++) * `* g9 H3 T4 d) J 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]); 2 R# \' w/ x( p V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 . L# v$ e6 l0 I9 p* u8 _9 N } gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 9 c9 B9 b5 d0 y4 G4 u% `& g' t } : s& b a9 [' V% J5 \) D* | return 1; }//子程序Delta_O_H()结束 ' H6 @+ u2 [$ A% E9 p/ Q9 y ///////////////////////////////////////////////////// //隐层至输入层的权值调整、隐层阈值调整计算子程序///// 7 Y& F! V) f, ^. a1 K" H) j ///////////////////////////////////////////////////// Delta_H_I(int m,FILE* fp) 3 J4 f* _/ @- I { 1 b# J0 T' u: p# ? for (int j=0;j<HN;j++) + ?* g9 T2 c+ o2 |, r9 M8 w+ s 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]); $ k8 v$ O) t2 U e W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 % o$ S ^/ J# {3 }& K. ~! y } sita[j]+=beta*e_err[j]; } return 1; % t5 M/ E# o7 Y X6 ?" C+ S0 H" v9 A }//子程序Delta_H_I()结束 3 b& N* f$ v6 \2 ? ///////////////////////////////// 4 M3 P* v4 u1 K, V- |5 { z1 G9 g' I //N个样本的全局误差计算子程序//// ///////////////////////////////// & M4 R- f: D2 w! s double Err_Sum() ( R8 |9 z- c. u+ j { double total_err=0; 7 |3 {# c D8 ^ for (int m=0;m<N;m++) , J8 @/ J% p2 Y9 s2 }# C1 W total_err+=err_m[m];//每个样本的均方误差加起来就成了全局误差 # V; u5 Q2 F- c. g } + G3 T, B+ y- f8 @0 D7 s& X- u return 1; * S; K* T0 b% t8 Y) d/ A }//子程序Err_sum()结束 /**********************/ 4 m! g- C% H+ ~ [7 h /**程序入口，即主程序**/ & B( W: m) Z# X7 j0 h /**********************/ 9 {' k( }; m) T main() * w0 u# F+ E7 p' [/ g5 b! ~ { FILE *fp; double sum_err; int study;//训练次数 & U. ?: Z3 {" B4 X; y if ((fp=fopen("bp.txt","a+"))==NULL) { " u: T& C$ u1 ^% y printf("不能创建bp.txt文件!\n"); exit(1); } 8 k: {" s- o) _- [ cout<<"请输入输出层到隐含层学习效率: alpha=\n"; " u, T# [+ {. v cin>>alpha; cout<<"请输入隐含层到输入层学习效率: beta=\n"; cin>>beta; Z5 g" U+ _$ C0 P8 ^0 {7 j int study=0; //学习次数 ! m4 ~. s! s j h9 @9 D4 A% D double Pre_error ; //预定误差 cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; ! w3 K z, N: f. s1 I0 a7 X int Pre_times; 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"; ) k! v$ y* R* |, l { for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组学习样本"<<endl; + L, B# {2 j7 G for (int i=0;i<IN;i++) cin>>Study_Data[m]->input; 0 V; j+ C* Z! E8 p: I- |! s } # B) I4 R5 h6 V' d K, s2 j1 E { for (int m=0;m<N;m++) 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]; 4 @# T! q- L- P2 K9 y$ ` } 2 ]$ f0 @% C) n* u K" ~3 U" | initial(); //隐层、输出层权、阈值初始化 (1) do { ++study; ///??? for (int m=0;m<N;m++) { " Y$ p9 J1 D6 J w. k! D: N" R input_P(m); //输入第m个学习样本 (2) : G& ]2 h+ X" t+ C) W 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) 3 {0 S9 W1 E T* |% l O_I_O(); //第m个学习样本输出层各单元输入、输出值 (5) 8 Y& Q1 q4 ]/ t7 m/ m3 ` Err_O_H(m); //第m个学习样本输出层至隐层一般化误差 (6) 2 Y, `5 ?' `+ L8 W. M' p' v( G Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (7) . b2 u6 O4 Z8 e0 ~8 h3 {8 i 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) / w* y- a6 ^+ r: r7 g 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) 0 h) |8 O: ]2 F Q) p2 M9 r9 o. T { 5 H/ p7 t- _$ W& M3 P l9 N+ X* G$ H 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); } * p* ~# o1 ] I) w( }$ ]) E" t while (sum_err > Pre_error) //or(study 5 w! D4 h: i; R6 F1 `# y { //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; 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); } char s; 8 n" f2 r2 j( m& Q cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; ' s% m2 |1 D6 u! a- q7 S7 y5 a 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