[转帖]C++的BP算法源程序

ilikenba

! k8 c, m. Y6 [- p

#include "iostream.h" + X9 y3 I& r3 q$ O3 m #include "iomanip.h" #define N 20 //学习样本个数 #define IN 1 //输入层神经元数目 #define HN 8 //隐层神经元数目 % m2 b; _& _0 b# t \ #define ON 1 //输出层神经元数目 double P[IN]; //单个样本输入数据 . v$ m3 p8 Q" W* y$ n" B double T[ON]; //单个样本教师数据 double W[HN][IN]; //输入层至隐层权值 1 ?9 v" l1 j3 `+ u$ F+ g& B4 ~% d; G 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 ! G3 r$ Y; x( u& s2 n double H[HN]; //隐层的输出 double O[ON]; //输出层的输出 $ m/ C4 Q$ L2 P double sita[HN]; //隐层的阈值 : g! e7 T1 p" j+ r2 ~ double gama[ON]; //输出层的阈值 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 " M* g' T C/ ]- d double beta; //隐层至输入层学习效率 //定义一个放学习样本的结构 % T& } V2 m5 p% ` struct { double input[IN]; $ c$ A" g4 U P) D- t, Z9 v double teach[ON]; 5 v/ U* C7 w6 g% t/ [' |6 H% M& X( m }Study_Data[N][IN]; : j2 D3 S. \5 j; m( ^ /////////////////////////// 4 G3 U0 @/ ]1 s //初始化权、阈值子程序///// /////////////////////////// initial() & L# n' `" b! q4 j { , `2 C0 B% e8 |5 G3 H float sgn; 4 @' c3 ~, \4 x float rnd; 2 R: T! S! j+ c! e G: L int i,j; 2 o4 Y+ a2 Y" t/ ?; y //隐层权、阈值初始化// - Q# g8 i0 B, i6 y/ s7 S0 C) a( | { //sgn=pow((-1),random(100)); ( i" P+ r. e) F" q9 b sgn=rand(); . m: ^$ W' D. X: \ rnd=sgn*(rand()%100); " v' e" r* l( m/ `! V6 | W[j]= rnd/100;//隐层权值初始化。 3 o w, b2 ~( Q( j' S } //randomize(); { " i3 ?! G0 ` J2 K2 r, w! l# g //sgn=pow((-1),random(1000)); sgn=rand(); ; Q) N% \' P; l, F$ ]& r rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 - i+ ^4 P: z8 q; ]8 h* }8 j cout<<"sita"<<sita[j]<<endl; } % T% N: k% z( d- ] //输出层权、阈值初始化// //randomize(); & W0 E" W/ u7 y3 L0 V. T for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) { //sgn=pow((-1),random(1000)); & V1 u# u. U( L* ] sgn=rand(); rnd=sgn*(rand()%1000); V[k][j]=rnd/1000;//第m个样本输出层权值初始化 } . R+ J5 s/ J A7 b; ^5 o* F //randomize(); { ! ] Z: o; A! o //sgn=pow((-1),random(10)); sgn=rand(); 6 y. f) }3 f Q0 b6 e3 c rnd=sgn*(rand()%10); * \: B" R: ]/ T; Y2 h gama[k]=rnd/10;//输出层阈值初始化 cout<<"gama[k]"<<endl; % z; ]1 {2 J1 p% i0 r } return 1; Z5 I; K& L; A/ Q1 s; O! b }//子程序initial()结束

4 q. t0 B- e" M2 Y1 W# s

//////////////////////////////// 9 I) Z ]3 {$ Q# D2 j. [ ////第m个学习样本输入子程序/// ! h1 c0 E! C, l- O9 N /////////////////////////////// input_P(int m) { for (int i=0;i<IN;i++) $ W6 j4 o" V2 f3 Y P=Study_Data[m]->input; + E9 y! t2 u2 u$ n# \ //获得第m个样本的数据 5 A9 L$ N$ q# F* u9 o% s //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： //P[%d]=%f\n",m,P); return 1; }//子程序input_P(m）结束 ///////////////////////////// 0 D, P3 O- G/ v8 | ////第m个样本教师信号子程序// ///////////////////////////// input_T(int m) { 2 T2 h. T8 t! J: s& n7 d for (int k=0;k<m;k++) T[k]=Study_Data[m]->teach[k]; //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); : O1 ^' W+ J8 @6 H9 Z& }& }; \ return 1; 4 P g, s6 V+ Z! Y7 G }//子程序input_T(m)结束 ///////////////////////////////// 2 n& Q5 Q( R, i, ]" C$ o //隐层各单元输入、输出值子程序/// 0 t3 J* }2 l; u+ h+ f- N! L ///////////////////////////////// , }8 K, _; o0 K5 ~' F. L H_I_O(){ 4 l; x0 l& i, s. a+ ]0 Y double sigma; * |0 K7 ]' w9 c+ J int i,j; for (j=0;j<HN;j++) ) P; R8 J% M ?* W% l sigma=0.0; for (i=0;i<IN;i++) sigma+=W[j]*P;//求隐层内积 } * v* J( o% B5 d8 Y1 U/ H X[j]=sigma - sita;//求隐层净输入 $ k4 A0 _% g( o: H X H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } return 1; ! s! H- f s/ C9 h( J1 x: | v }//子程序H_I_O()结束 /////////////////////////////////// //输出层各单元输入、输出值子程序/// /////////////////////////////////// ; q9 ^6 H: [% f: i O_I_O() { double sigma; for (int k=0;k<ON;k++) sigma=0.0; / h% m, x" m0 p! B% o$ z2 [ for (int j=0;j<HN;j++) + L+ P1 \' \2 ] sigma+=V[k][j]*H[k];//求输出层内积 } 1 z* M% G, s1 m2 D Y[k]=sigma-gama[k]; //求输出层净输入 " W1 }. p0 l* [( E O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 } . s% v9 _) `+ m. A* M return 1; 1 j7 E' n8 y3 R" d: l }//子程序O_I_O()结束 $ D* u6 N' ]* J0 y# X# i) ~4 ~- ~7 p //////////////////////////////////// //输出层至隐层的一般化误差子程序//// //////////////////////////////////// double d_err[ON]; 5 G) Z" U5 Q: C$ Q: \ Err_O_H(int m) { 9 ]4 y( F" q. ? double abs_err[ON];//每个样本的绝对误差都是从0开始的 8 v, c) i6 l3 Y0 J( X5 i' ? 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??? for (int k=0;k<ON;k++) abs_err[k]=T[k]-O[k]; : T6 q: @8 z& J5 l' h //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 } 5 K) w7 h# o( f" J 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 & |: u2 d6 q! J4 J) t; ` return 1; 8 c2 `, b( O5 c }//子程序Err_O_H(m)结束 c) s' y/ C; x# n/ E8 X5 B //////////////////////////////////// //隐层至输入层的一般化误差子程序//// //////////////////////////////////// double e_err[HN]; ( y6 ^ q+ }6 w& {9 F/ v' F Err_H_I(){ double sigma; //for (int hidden=0;hidden for (int j=0;j<HN;j++) " K* d& Z% `, T7 g* d sigma=0.0; 6 U( Z4 I( Y: A' @8 I for (int k=0;k<ON;k++) , [2 R. F0 v5 i" L- g( p 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 } 4 j1 L5 W# P# i return 1; }//子程序Err_H_I()结束 ! X+ f8 F" u: M2 V1 B //////////////////////////////////////////////////////// 4 J, T: r( N, u/ 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) 3 R0 @5 l0 U1 ` W- V { for (int k=0;k<ON;k++) . Y5 F$ g7 \' z4 p for (int j=0;j<HN;j++) % B" R3 ~0 Z* t A8 J //cout<<"第"< ! f: s- c) L6 r' sfprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,W[k][j]); V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 } gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 } return 1; 7 j3 `) @0 F4 @7 [/ k/ Y }//子程序Delta_O_H()结束 ! E- o( b+ q# d* P% x( Q4 n ///////////////////////////////////////////////////// //隐层至输入层的权值调整、隐层阈值调整计算子程序///// ///////////////////////////////////////////////////// 6 ~( T1 A3 K+ q% ~5 ]) _ Delta_H_I(int m,FILE* fp) 8 k0 X0 T' _ d* J4 C4 Q5 s( z& g { for (int j=0;j<HN;j++) 1 a ?5 a9 ~' @3 ` a0 z8 h2 k9 @. q3 k 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 r* S* C" @/ T0 q3 x. U sita[j]+=beta*e_err[j]; . W0 r9 |' M U; S- w( L: K/ I } return 1; 2 Z2 V' s9 G! w3 ], y }//子程序Delta_H_I()结束 ///////////////////////////////// //N个样本的全局误差计算子程序//// ///////////////////////////////// double Err_Sum() { double total_err=0; : H- u/ [7 `' a% H 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 } 7 N8 W) D& L& H+ `$ o2 ^ return 1; / c; U$ ^ y$ j6 X+ H }//子程序Err_sum()结束 /**********************/ /**程序入口，即主程序**/ /**********************/ 2 I% P. }, |" [+ n main() { FILE *fp; ; j+ ^/ Y1 Q- P" R double sum_err; int study;//训练次数 . c% i D0 N& [0 N- ?; d% f7 P if ((fp=fopen("bp.txt","a+"))==NULL) { printf("不能创建bp.txt文件!\n"); - l% i! t! @# R- f! J exit(1); # X2 |- [& v( T- }1 P$ a6 e } cout<<"请输入输出层到隐含层学习效率: alpha=\n"; ' k" W7 u; A( Y: g; j cin>>alpha; 9 g6 q& b6 b9 B1 P9 T7 Q- I0 T cout<<"请输入隐含层到输入层学习效率: beta=\n"; cin>>beta; . q7 j6 j4 O. l! i. f# P3 P* o int study=0; //学习次数 5 ^* J: H1 K- w9 h: H- \* r double Pre_error ; //预定误差 & r7 _, q6 o* p/ |9 J! n* p cout<<"请输入预定误差: Pre_error= \n"; 2 q4 T: x# o6 }7 Z8 G: T cin>>re_error; int Pre_times; . c9 E1 @' i' ?; N; v6 W4 T cout<<"请输入预定最大学习次数re_times=\n"; " i. R* t2 E6 U3 i0 i+ N& z cin>>re_times; - L8 w: w+ N% ?" d0 D- r( f3 N 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; ' t7 X( \, N) {% Q4 b for (int i=0;i<IN;i++) cin>>Study_Data[m]->input; " k n) k* c* n4 y$ c } , M6 k) F) g8 X& ~) {. [ { for (int m=0;m<N;m++) ( w* i4 Q4 p B; e 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]; * k5 f' ~8 {6 e( y0 J } ' ]/ i$ ^2 |! a) O$ h9 A B4 H initial(); //隐层、输出层权、阈值初始化 (1) do @/ z. n( V* T2 y' ^3 j; F { 7 }4 R$ \9 f1 P3 b' c8 X( ~ ++study; ///??? for (int m=0;m<N;m++) 8 {; Y: ?5 M" H# F- b { 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) 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) 9 M/ j/ p6 u5 w' o" q1 o5 d Err_O_H(m); //第m个学习样本输出层至隐层一般化误差 (6) + u& L3 k. d. d ?6 p/ |, a0 \ Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (7) 3 A! q' N! N; y' W0 e$ r 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) 3 C" o p9 c4 J$ K" p" B6 _% o } //全部样本训练完毕 ! @+ Q4 j% R% Z# } sum_err=Err_Sum(); //全部样本全局误差计算 (10) { ; b' M) t3 f9 }8 N cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; # y4 L9 E* R; e2 w. F# ~# y fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); ( O" L+ ^) U3 c7 x1 d- ]* k# U! Y } 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) , c# n( u/ c X P& J) N cout<<"网络已经学习了"<<study<<"次,学习的均方误差为"<<sum_err<<endl; ) x9 j: o' b- A* p3 S+ l 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; : [6 `5 V8 s7 M cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; 8 A! E4 q. \# ^8 Y7 Z9 { return 1; % G0 d) e- o5 g0 j" w5 \$ m }

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