神经网络在R语言 实现

haviet

ti<-proc.time()
BP_one_output<-function(input,output,m,fth,sth,w,v){
: I2 Q7 i* l7 {% [$ s2 a+ u! g        x<-input;#7*8
* |: J7 W" r9 @( I        y<-output;#8*1，y为向量，每一元素为一个样本输出值
        theta<-fth;#11*1
8 W# |: {& G- ^# [- O: a1 M        gama<-sth;#标量
" J" O0 e  p% O' r; ^7 ^& j        if(m!=length(theta)) print("阈值长度错误！")
6 J- E" V( [, Q& E) \        x<-rbind(x,t(rep(-1,ncol(x))));#8*8导致x的最后一列为阈值theta的权重
        K<-nrow(x);#8一组样本的维数
" Q# V$ |$ I! s1 U        J<-ncol(x);#8一共有多少组样本
        w<-rbind(w,t(theta));#由7*11变为8*11
0 o* u0 Q. ~! ~( P; M' U" U        v<-c(v,gama);#由11变为12，但请记住：在隐含层增加一个值为-1的节点，但与输入层并未连接
#定义函数f
        f<-function(h) 1/(1+exp(-h));
        epsilon<-alpha<-0.5;
' G* M+ i3 L) R5 Y- V' {* |) C        N<-0;#重复学习次数的计数
8 w& K- z) u; j+ `        ei<-as.numeric();#记录每次迭代的平均残差平方和
        FW<-1;
        while((FW/J)>=0.001){
                Z1<-t(w)%*%x;#11*8矩阵，每一列为一组样本
4 M0 a7 f* i& M9 B6 e                Y1<-apply(Z1,c(1,2),f);#11*8矩阵，每一列为一组样本在隐含层的值, a matrix 1 indicates rows,
                                                                                        #2 indicates columns, c(1, 2) indicates rows and columns
                Z2<-t(v)%*%rbind(Y1,t(rep(-1,ncol(Y1))));#8*1向量，每个元素为隐含层对输出层的加权值
                D<-f(Z2);#向量，每一元素为一组样本的一个输出值
                b<-y-D;
                #J组样本的学习
                #向量，输出层对隐含层的权值的偏导
                FW<-pFW2<-pFW2t_1<-0;
0 k: j' [; c$ t! Z* u9 F, d                pFW1t_1<-matrix(0,nrow(w),ncol(w));#矩阵，隐含层对输入层权值的偏导
  E6 L9 B- h! I* \% @0 A                for(t in 1:J){
" ?4 i3 |, l  X5 m7 h                        B3<-b[t];
- m  ~8 L; C' J                        FW<-FW+B3*B3;#标量
  z. v2 G8 G# w; f( w( f. d2 C                        B2<-f(Z2[t])*(1-f(Z2[t]))*B3;#标量
                        pFW2<--2*c(Y1[,t],-1)*B2;#12*1向量隐含层对输出层的权重偏导,此时多了一个阈值项
% \7 |% ?- d+ ^" [) Z- g                        if(t==1) v<-v-0.5*epsilon*pFW2
                        else{
                                v<-v-0.5*epsilon*pFW2+alpha*(-0.5*epsilon*pFW2t_1);
' ?/ l: q  ^. K4 L                                pFW2t_1<-pFW2;
% Y5 J" C9 u" W                        }
                        B1<-diag(f(Z1[,t])*(1-f(Z1[,t])))%*%v[1length(v)-1)]*B2;#11*1隐含层多出来的一个节点即阈值节点并未与输入层相连
                        pFW1<--2*x[,t]%*%t(B1)#8*11输入层对隐含层的权重偏导
                        if(t==1) w<-w-0.5*epsilon*pFW1
                        else{
                                w<-w-0.5*epsilon*pFW1+alpha*(-0.5*epsilon*pFW1t_1);
                                pFW1t_1<-pFW1;
                        }
3 H' j" ?* m) e7 I, ]; T% B                }
                N<-N+1;
! H( _- }' j5 V' S2 `4 e                ei[N]<-FW/J;
        }
        theta<-w[nrow(w),];#隐含层阈值
        gama<-v[length(v)];#输出层阈值
        w<-w[1nrow(w)-1),];#输入层对隐含层的权重
        v<-v[1length(v)-1)];#隐含层对输出层的权重
+ S9 f* ?1 t8 Y        list(theta,gama,w,v,N,FW/J,ei)
}
x<-cbind(x1,x2,x3,x4,x5,x6,x7);
x<-t(x);
hidden_threshold<-runif(11);
9 K( |- r6 \: k% N4 S) m0 \output_threshold<-runif(1);
w<-matrix(runif(77),7,11);
& ?2 L8 R! Q7 s5 h7 x) Z. v& lv<-runif(11);
  ]. |6 D- L$ |# Z: ^7 Uresult<-BP_one_output(x,y,11,hidden_threshold,output_threshold,w,v);
3 A, n0 x, C  o0 o4 v+ h( z* Z#输出
' B* e5 }# {. E" Xcat("\n");
cat("隐含层阈值theta","\n",result[[1]],"\n");
cat("输出层阈值gama","\n",result[[2]],"\n");
7 ?+ T' [: S- [4 r. Gw<-as.matrix(result[[3]],7,11);
cat("输入层对隐含层的权重w","\n");
w;
' K; Y9 |9 e& Xcat("\n");
5 |2 z* M1 ~" Ocat("隐含层对输出层的权重v","\n",result[[4]],"\n");
, D, z" N: c4 C/ }cat("迭代次数N" ,"\n",result[[5]],"\n");
cat("学习误差FW","\n",result[[6]],"\n");
7 Z% {( t. H5 O, L% A- j+ ]cat("每次迭代的误差","\n");
plot(result[[7]],type="l",ylab="每次学习误差",xlab="反复学习的次数");
8 S7 P+ [- z2 `+ L1 r6 Pproc.time()-ti

兰竹李乐

这牛逼的你自己编的吗

凌chers

能不能解释一下呢？

黄窗帘

就看看，不说话。

Esmtih

运行不了啊？

廷植斌_972

支持~~顶顶~~~