[转帖]C++的BP算法源程序

ilikenba

9 Z7 s# Q1 `6 X, j/ n

7 C3 e/ {4 R" D7 H. ]/ L8 ]5 L

#include "iostream.h" ' G8 @) P; S4 [" B #include "iomanip.h" $ T4 x2 m ^ X #define N 20 //学习样本个数 % O. Z4 Z: p6 O1 l #define IN 1 //输入层神经元数目 4 y$ U$ f9 b6 S #define HN 8 //隐层神经元数目 #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 . A# W3 h1 R& R/ l double W[HN][IN]; //输入层至隐层权值 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 2 V+ N8 X G d8 g! V double O[ON]; //输出层的输出 double sita[HN]; //隐层的阈值 $ K) X+ v3 q" W( ?9 Z+ `# h double gama[ON]; //输出层的阈值 7 f: K1 ?9 ^$ B F1 s% p* o3 Y2 P double err_m[N]; //第m个样本的总误差 + d2 m3 }: m6 R7 }0 f double alpha; //输出层至隐层的学习效率 - N9 m% B4 U9 c( ] double beta; //隐层至输入层学习效率 # ]0 C. |0 T$ a1 E5 l# a //定义一个放学习样本的结构 - ]2 @9 E. Q$ R7 T* q4 e8 k struct { ( r4 z$ t5 D5 ]3 z) `. G double input[IN]; double teach[ON]; 5 J5 h: R3 Y, J; }: R" z }Study_Data[N][IN]; /////////////////////////// 7 d& Q8 W' L3 Z) E& T //初始化权、阈值子程序///// /////////////////////////// initial() ' g: b) S0 [5 z% p# C( | { float sgn; * O. o* T8 o# B* @ Z! e/ O float rnd; int i,j; //隐层权、阈值初始化// { //sgn=pow((-1),random(100)); 9 E; s; @% F- ]: Z1 K$ D0 J& [ sgn=rand(); $ L8 c5 N7 Z* f: o rnd=sgn*(rand()%100); ( i1 m# S' K5 y6 f) `% s, }, R W[j]= rnd/100;//隐层权值初始化。 ! a, z/ M/ D d+ q8 y2 E" n) \8 F } 9 ~' s5 k, W7 E- T# K //randomize(); { //sgn=pow((-1),random(1000)); sgn=rand(); rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 cout<<"sita"<<sita[j]<<endl; / V2 b8 V* E/ q2 ^! Y. }: V } ( v. h- F. {9 l4 q3 F //输出层权、阈值初始化// //randomize(); for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) . q8 y2 C+ U$ c& A { //sgn=pow((-1),random(1000)); sgn=rand(); : C n2 v( y* L* t* R$ d6 D2 e rnd=sgn*(rand()%1000); # v+ V( H$ ]) A* H V[k][j]=rnd/1000;//第m个样本输出层权值初始化 0 z- {% t" I& D* U. V } //randomize(); { //sgn=pow((-1),random(10)); + I( e& z z4 z# r* ` sgn=rand(); rnd=sgn*(rand()%10); gama[k]=rnd/10;//输出层阈值初始化 0 M4 T$ H! v1 ^$ ` cout<<"gama[k]"<<endl; } 7 l$ I8 K. k/ |( n return 1; % Q* h v9 ~9 \4 c0 K2 Z# d }//子程序initial()结束

//////////////////////////////// 8 |) I2 e$ H, H6 D( f/ [; T4 P& e ////第m个学习样本输入子程序/// /////////////////////////////// % z" E; P/ R% F. p" h input_P(int m) 3 v0 Z% f. U: ^, O9 ~1 j' l { ( h4 l' x7 M" t$ l5 u. v+ h for (int i=0;i<IN;i++) * |( X9 ? c- X% o Z) r P=Study_Data[m]->input; : B3 H: U+ F: w" e" C) R //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); return 1; 4 J5 E- f ^* i! ] A5 f, H6 g }//子程序input_P(m）结束 ///////////////////////////// ! z% \0 \9 U5 K ////第m个样本教师信号子程序// ///////////////////////////// n6 P6 k! }" r) s input_T(int m) { for (int k=0;k<m;k++) 2 l# A6 w8 v F' t 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]); ; d1 d1 R9 ~2 O; }; r* F( t return 1; ; O0 p0 E4 H! _# O3 \: ~ }//子程序input_T(m)结束 ///////////////////////////////// % s8 X# @) v0 _2 Q( e6 [ f //隐层各单元输入、输出值子程序/// ///////////////////////////////// 9 f9 Z8 v Z$ I7 W/ G H_I_O(){ double sigma; . V2 Q6 k, W# Z+ L; L0 ]6 U) |) |" { int i,j; , k! ^/ r5 h2 b% F3 t( o% [ for (j=0;j<HN;j++) sigma=0.0; for (i=0;i<IN;i++) , T% }% u; K: h sigma+=W[j]*P;//求隐层内积 & ]. k0 B! n1 j, C; M. {) W; A } : i* n7 x2 ?' k X[j]=sigma - sita;//求隐层净输入 H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } 9 @( B& C9 j9 B8 F$ |2 m A return 1; ! ~. I+ [- B% ` }//子程序H_I_O()结束 . g' }1 c) z$ A8 j0 |% M /////////////////////////////////// //输出层各单元输入、输出值子程序/// , ^- O* x1 x9 t) P5 n) J2 K /////////////////////////////////// - W! A0 b e8 y6 G7 K6 F6 ^: x3 f O_I_O() { ; n3 P' c2 [$ d4 A: ^. c double sigma; - x# c9 ?. l# Q& z: K* I for (int k=0;k<ON;k++) 2 A0 D3 y1 F- U, Y/ w) ^0 L& Y sigma=0.0; for (int j=0;j<HN;j++) % G$ M" U) h: L( [ sigma+=V[k][j]*H[k];//求输出层内积 2 l% n ?( i; p6 b( S5 ~ } 4 Y0 U3 m+ s9 T" \ 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 * y! c9 L6 D+ L/ c3 _! m } return 1; }//子程序O_I_O()结束 # k O! f* q' O2 q* A( {' K% n4 } //////////////////////////////////// //输出层至隐层的一般化误差子程序//// - l, x! l' h: O) j9 ?) A% u3 C //////////////////////////////////// double d_err[ON]; Err_O_H(int m) { 2 c& w; J& i( I/ ?/ l double abs_err[ON];//每个样本的绝对误差都是从0开始的 1 q/ k& F/ l" x% o6 H8 }3 `: O$ _ 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++) 1 j# H1 |8 M8 g0 s- E# Q abs_err[k]=T[k]-O[k]; / H. l. `3 \4 X7 Y' ~. }+ ~ //求第m个样本下的第k个神经元的绝对误差 ! i3 x$ U1 y! \2 e5 o( h9 { ^8 a, } 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 : V6 |/ u& B7 L3 p } ! Y1 ?6 |: Q7 s2 t 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 ' Z' ]8 v, {. V return 1; }//子程序Err_O_H(m)结束 : F5 _% B* s1 X& `, y, m, F& N //////////////////////////////////// //隐层至输入层的一般化误差子程序//// % |0 r) Q+ K7 \1 T) |3 w* h" k //////////////////////////////////// " D; B7 q) L2 v; V) l& n9 U3 x double e_err[HN]; Err_H_I(){ double sigma; & p! \3 W1 T- y: ~! N //for (int hidden=0;hidden & P# k, L8 s* n% e9 j for (int j=0;j<HN;j++) sigma=0.0; / F% K' I2 O- P' l4 ]+ c6 P for (int k=0;k<ON;k++) sigma=d_err[k]*V[k][j]; 4 p" [2 g$ Z: ?( e! X5 Y } e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 } return 1; 7 ~- n1 K& t r" L" K" H" d* C7 } }//子程序Err_H_I()结束 //////////////////////////////////////////////////////// ! D: u. C m- Z! ^8 U9 e: h+ |& m4 c //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) # \/ K5 [; p. `$ z/ Q- u- I9 B { 5 Z2 x0 Z4 }+ B' }5 N for (int k=0;k<ON;k++) ; J B1 z9 V: c for (int j=0;j<HN;j++) % g% G2 o( v4 ?% Z& Z$ F( O" B //cout<<"第"< 8 C# \7 J& p( `9 ~* I/ ]0 Efprintf(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 } * F; t$ `! P6 Q" i& b gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 " P1 W7 b: V2 h! e } x, P; o& i l( X6 b8 ] return 1; - |% o( w; Y8 I, F! D }//子程序Delta_O_H()结束 ///////////////////////////////////////////////////// //隐层至输入层的权值调整、隐层阈值调整计算子程序///// v% w" H$ Q( P ///////////////////////////////////////////////////// Delta_H_I(int m,FILE* fp) { ' r& H* K+ m' _7 [3 o for (int j=0;j<HN;j++) for (int i=0;i<IN;i++) % ^2 o7 f; Q- l' R" ]. N //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 0 N2 m5 V+ a2 @. E& p* s } sita[j]+=beta*e_err[j]; # e" l; | i4 S } return 1; }//子程序Delta_H_I()结束 ///////////////////////////////// //N个样本的全局误差计算子程序//// / d/ z1 u. m. i1 j/ `0 ^4 G ///////////////////////////////// # `: n$ I3 p8 D# B double Err_Sum() { double total_err=0; ! {8 p, ?9 _$ _5 f 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 1 J8 O% f8 X0 {) u! b5 D* A5 b } # ^. f1 D6 A; V O2 \( Y return 1; }//子程序Err_sum()结束 /**********************/ /**程序入口，即主程序**/ /**********************/ main() { . n. s+ U( E/ h. O! G FILE *fp; / M! m" U3 ]9 I9 p4 f( t double sum_err; ) V; [6 i( X. k8 |/ F int study;//训练次数 2 T' k, J+ o3 @' _ m( E if ((fp=fopen("bp.txt","a+"))==NULL) ; r; a+ y. `0 L2 I s- ~ { ! z) p' Y u( x. h( n printf("不能创建bp.txt文件!\n"); 9 ~7 i1 j9 g# x, s exit(1); } cout<<"请输入输出层到隐含层学习效率: alpha=\n"; cin>>alpha; - L. N! r* V3 P2 j7 G cout<<"请输入隐含层到输入层学习效率: beta=\n"; . V! R: h2 @2 L" k' J: W# i cin>>beta; int study=0; //学习次数 ! a# Z$ J; p: x+ D7 O/ f% ]0 @6 x double Pre_error ; //预定误差 * y& @9 h' ?7 c% F2 b% i$ r# ? cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; int Pre_times; : r/ |) Q. R: B" q cout<<"请输入预定最大学习次数re_times=\n"; 0 E' n0 _+ ]' l, r3 K8 s cin>>re_times; cout<<"请输入学习样本数据\n"; # s z; a- |5 B5 t { / z. w- G' _1 t; u# T& k6 } for (int m=0;m<N;m++) , U& Y7 |4 v" D: Q cout<<"请输入第"<<m+1<<"组学习样本"<<endl; ) p& u; a- _# ] for (int i=0;i<IN;i++) . S" J" o5 y1 e% f2 H \ cin>>Study_Data[m]->input; + F# B+ J% k7 q& s& z1 N' q1 H } S* v& _/ _- t. A8 f# U& |7 d0 t { 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]; } - V- Q: z X0 O( t B$ r initial(); //隐层、输出层权、阈值初始化 (1) / s1 m) L1 `+ x' {7 D0 v do 1 B" v3 O/ Q2 N$ q2 D3 f { ++study; ///??? for (int m=0;m<N;m++) ( s, E* U- M8 s3 b, E { 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) 0 D3 O+ y" L; Y( [9 A: \ H_I_O(); //第m个学习样本隐层各单元输入、输出值 (4) 9 _- y1 o- |) f1 m- B. { `+ z- ^+ J 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) 1 y+ G1 ?+ Q V) {% I4 e% c 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) 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) ; V3 [$ N4 X8 ~/ ] { 1 J7 t5 ^) z+ `1 Z+ \( p* | cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; 3 j! L0 C- Y) n2 m6 k. Z$ |/ S fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); } : `0 ?7 \* f& e* i while (sum_err > Pre_error) //or(study : u' Q% f2 _1 Z: ]$ y* [1 I9 K { //N个样本全局误差小于预定误差否？ 小于则退出 (11) / n2 K! O* e5 ~! r$ U h cout<<"网络已经学习了"<<study<<"次,学习的均方误差为"<<sum_err<<endl; ! P# H) T' L* X5 y 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); ) E Y7 m" A, R } 2 X% d+ z1 _* w* |' ~ char s; cout<<"请随便输入一个字符，按回车退出程序！\n"; 2 ]$ @2 ^. W1 l- q; Q cin>>s; 3 E' x( }3 J8 |7 c8 U 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