[转帖]C++的BP算法源程序

ilikenba

) }" }0 }- w8 w

#include "iostream.h" $ e0 p$ g$ B) \ #include "iomanip.h" ' n! Q+ e: N ~: R6 m) I #define N 20 //学习样本个数 ! v! P7 l" v4 U0 X" W #define IN 1 //输入层神经元数目 % U& q% _/ b6 `8 A" e #define HN 8 //隐层神经元数目 % ]( r7 i% Q- A1 f0 E1 [ #define ON 1 //输出层神经元数目 $ [, i3 k! I5 M O( }/ {# A double P[IN]; //单个样本输入数据 2 x' Q/ r; W, d' ^; i W4 h7 i double T[ON]; //单个样本教师数据 ) c( Y/ \* H% g( Y6 E double W[HN][IN]; //输入层至隐层权值 5 W0 D- i. g& }7 w: u double V[ON][HN]; //隐层至输出层权值 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 ; F9 z. o+ N) P0 i! |+ v double O[ON]; //输出层的输出 - T0 L! Z9 }) _1 h9 @5 G double sita[HN]; //隐层的阈值 double gama[ON]; //输出层的阈值 double err_m[N]; //第m个样本的总误差 ' X; J2 \$ B; x 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 7 a" O1 p& r2 T! h% C+ g# V& k0 R+ m& S struct { ) T! ` X" `% _8 B# i2 Y' B double input[IN]; double teach[ON]; " m% } i2 H# E* r( ] }Study_Data[N][IN]; : H" P' D. f/ @& o /////////////////////////// //初始化权、阈值子程序///// /////////////////////////// 8 E3 u# {+ r4 ^# n0 J initial() : }0 ?7 @, d8 L& Z0 \) Q- g { " T. ^! i% k' `' P; U float sgn; $ U& H9 s- ?1 V3 n. y0 M9 g float rnd; int i,j; //隐层权、阈值初始化// { 5 a% f* N( M/ ~6 `. D2 t7 ^ //sgn=pow((-1),random(100)); sgn=rand(); 2 _. O F2 N, B rnd=sgn*(rand()%100); ! D+ _5 J4 k% [ W[j]= rnd/100;//隐层权值初始化。 , ?" l4 [+ d3 y4 n } //randomize(); { //sgn=pow((-1),random(1000)); sgn=rand(); rnd=sgn*(rand()%1000); 9 \6 a7 d/ \* k! r0 h, ~ I t& k 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// //randomize(); for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) : y( e+ ]2 {. n3 E4 X" r" u { * ?/ @ d, `( k5 j. R0 N //sgn=pow((-1),random(1000)); sgn=rand(); rnd=sgn*(rand()%1000); ! T8 Q* U) x- u5 c% V V[k][j]=rnd/1000;//第m个样本输出层权值初始化 1 {+ t+ r1 J3 d; F) j+ T } 4 Q0 E: t/ k; a4 F6 ^- [ //randomize(); + i0 k( E7 p- n. K { 1 Y4 C5 e. x* |$ Z& M! p5 n //sgn=pow((-1),random(10)); sgn=rand(); rnd=sgn*(rand()%10); gama[k]=rnd/10;//输出层阈值初始化 , @! v1 U$ L7 G: v+ Q6 b' y' H2 ~ cout<<"gama[k]"<<endl; } return 1; 5 ^$ O# o) a4 k1 ? + a- y7 o" ]4 l# i }//子程序initial()结束

- _& y5 d: \+ t9 T

//////////////////////////////// ////第m个学习样本输入子程序/// /////////////////////////////// $ b2 t! ~( i u. | 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： Y4 J: b6 T, B: k //P[%d]=%f\n",m,P); 7 Y4 ?/ U& w! ]7 z0 v# E return 1; }//子程序input_P(m）结束 ( u- G5 e7 `$ l. G6 m9 t5 k ///////////////////////////// ( V$ |2 ?9 Z3 s# x+ r ////第m个样本教师信号子程序// 6 V$ A! f T' q0 l9 `1 K/ H0 p ///////////////////////////// + }$ t; E' L* s9 u9 z" c input_T(int m) + C$ |% i/ I# w. u5 c2 w { for (int k=0;k<m;k++) 1 R, F7 A7 _" o, G T[k]=Study_Data[m]->teach[k]; 5 ^- V9 |- I" v. A) u& V //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); return 1; ) v7 P' @" V& ]) p7 ^ }//子程序input_T(m)结束 # w! |$ y' j- J a ///////////////////////////////// " U' w$ U$ b- Q: u: c0 D" t //隐层各单元输入、输出值子程序/// / |! [0 q8 Z5 C* i& k6 l5 C9 I9 K ///////////////////////////////// ; X l. w. \1 ?4 F H_I_O(){ double sigma; int i,j; for (j=0;j<HN;j++) ?5 c5 ~/ e0 E- M6 s; g: V sigma=0.0; for (i=0;i<IN;i++) " v" f0 t: D0 {( ?. M sigma+=W[j]*P;//求隐层内积 } ! w% e( P1 h; 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 } 2 U& q" o% d t7 W8 I return 1; }//子程序H_I_O()结束 /////////////////////////////////// 7 o+ A# A Y/ N# W" H9 | //输出层各单元输入、输出值子程序/// /////////////////////////////////// h. E+ D9 D( m. O O_I_O() 8 {0 H; X) e% X& m { 1 c. I6 d% {4 j6 y. M; n double sigma; for (int k=0;k<ON;k++) sigma=0.0; ' z8 J8 D: B) w+ o for (int j=0;j<HN;j++) , s$ I R1 D' h6 R sigma+=V[k][j]*H[k];//求输出层内积 } 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 ' C. ^1 ?. s6 {# J9 r, T3 _ } return 1; }//子程序O_I_O()结束 L! A7 m- r% p$ q* g //////////////////////////////////// //输出层至隐层的一般化误差子程序//// //////////////////////////////////// double d_err[ON]; Err_O_H(int m) { & ?' u) F3 q6 q: m double abs_err[ON];//每个样本的绝对误差都是从0开始的 3 H) O* b9 Z" Z* X' \( u' u double sqr_err=0;//每个样本的平方误差计算都是从0开始的 % B! u. F2 h* i+ M% w //for (int output=0;output<ON;output++) //output??? for (int k=0;k<ON;k++) abs_err[k]=T[k]-O[k]; ; S- g0 R2 i7 Y$ |+ y& R2 L //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 & L& L! t& ]% o' ^) O } ! e) w6 h( Q0 N' U, X! k 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 //////////////////////////////////// # _1 }' L9 J: N1 g+ J8 M2 } //隐层至输入层的一般化误差子程序//// //////////////////////////////////// 6 ~, s$ v9 [5 F' f' ?& D/ p double e_err[HN]; . ]2 ]# u1 P4 X6 O# s# ~ Err_H_I(){ double sigma; //for (int hidden=0;hidden ! q" Y' e6 {; v6 R$ C for (int j=0;j<HN;j++) sigma=0.0; for (int k=0;k<ON;k++) sigma=d_err[k]*V[k][j]; / ?, C: V3 \2 o4 ] } ( k' r+ I8 y2 P# Q& ]+ X* i e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 } return 1; }//子程序Err_H_I()结束 //////////////////////////////////////////////////////// //输出层至隐层的权值调整、输出层阈值调整计算子程序////// # E6 f: ?' y% x1 j //////////////////////////////////////////////////////// , J% z% A ?, X8 h' L- p: q+ j Delta_O_H(int m,FILE* fp) { for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) ( p. v, h1 G) l7 R' j //cout<<"第"< & U& s8 [& R; p- c# E3 G$ afprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,W[k][j]); $ l" t- i* r: C K H# N: n9 P V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 } . u3 ^& `$ P4 @$ I i, H, o, @ gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 } . L% B+ M9 |1 a# r: |, L return 1; $ m! v9 Z' A$ z- o# |$ h }//子程序Delta_O_H()结束 4 x1 J4 D/ {! R6 S% p ///////////////////////////////////////////////////// 1 U; M1 U% i1 J3 g6 p //隐层至输入层的权值调整、隐层阈值调整计算子程序///// 7 H# v h. s/ ? ///////////////////////////////////////////////////// 1 R- ^( _) G$ [9 t Delta_H_I(int m,FILE* fp) { for (int j=0;j<HN;j++) for (int i=0;i<IN;i++) / \. b5 d6 ]7 ~0 Z$ w) | //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]); : R, I$ A# G' a- E6 d W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 } sita[j]+=beta*e_err[j]; } 2 R; q8 c+ b4 b P return 1; 4 c: D) U% J" H- k }//子程序Delta_H_I()结束 3 G, w9 \6 h& f. V; G ///////////////////////////////// 5 a4 k6 C o8 Y. p/ [ //N个样本的全局误差计算子程序//// 8 ~! N0 V2 n4 Y* z3 t7 r# V2 @( f ///////////////////////////////// double Err_Sum() ( F$ }( M$ |' @ { double total_err=0; * H/ n# w; k& m6 J, u* R for (int m=0;m<N;m++) ; k; o" X) M) 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 6 x# z6 J+ i0 j u6 x } return 1; }//子程序Err_sum()结束 m/ Q* ~5 `& i& m3 ?6 t /**********************/ /**程序入口，即主程序**/ /**********************/ main() " e+ K/ z2 O+ j; o1 X/ n { 9 t% z- D/ R1 g c) a0 t) b+ O FILE *fp; double sum_err; " h6 C, I q7 w. S" J int study;//训练次数 ( J L, L6 L! t) q- y3 G% H2 W if ((fp=fopen("bp.txt","a+"))==NULL) { printf("不能创建bp.txt文件!\n"); exit(1); ! H% s7 \$ {; N2 }* ?5 {# P0 o } cout<<"请输入输出层到隐含层学习效率: alpha=\n"; & o f, P* X7 J! f cin>>alpha; ' A. S; I7 }. _! G% z1 Z }/ h; B cout<<"请输入隐含层到输入层学习效率: beta=\n"; cin>>beta; int study=0; //学习次数 double Pre_error ; //预定误差 6 n7 G; z7 k" K. G1 ]% Q0 H: i2 Q cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; int Pre_times; 3 {: o0 Y4 y3 c8 {7 N @1 K 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"; { for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组学习样本"<<endl; ; B; t: I. H; Y# U N' l- `7 g for (int i=0;i<IN;i++) cin>>Study_Data[m]->input; } + L5 d3 U' m% p7 e) A* x1 k { 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]; . ]2 l8 W) Y7 F5 M% i: X } initial(); //隐层、输出层权、阈值初始化 (1) do ; S% b! {1 D- b, ~# c" l/ R { ++study; ///??? for (int m=0;m<N;m++) { input_P(m); //输入第m个学习样本 (2) $ t4 x% e. ?5 f* f 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) ' t3 h! s) C+ X1 N2 z# `4 V 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) 0 w- q8 v2 d7 H' N4 j 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) { & r9 Z% @( k7 R- { cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; 4 y4 n- F1 f4 G4 c fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); p5 |1 R# S. m$ O! @3 Z } + m" K4 \0 J5 D: {$ K2 E 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) 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); 4 c& D1 n. I- D" j1 Q# P } 9 | V, W a' J, h0 N( G6 q char s; cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; 5 _$ W0 M k; D4 ^ 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