[转帖]C++的BP算法源程序

ilikenba

#include "iostream.h" #include "iomanip.h" #define N 20 //学习样本个数 ; n) d4 Q# S# `% \ #define IN 1 //输入层神经元数目 #define HN 8 //隐层神经元数目 & F8 p! f- w6 _2 E #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 double W[HN][IN]; //输入层至隐层权值 1 J, \4 P7 P* J8 l: O8 i double V[ON][HN]; //隐层至输出层权值 & B2 P3 f! `- \( u& \% b& t6 ^ double X[HN]; //隐层的输入 ( u4 s* U& W1 z& h2 V/ T double Y[ON]; //输出层的输入 double H[HN]; //隐层的输出 4 m5 V# u* V5 q- y; a double O[ON]; //输出层的输出 ; y1 F8 v2 O+ G L: Q double sita[HN]; //隐层的阈值 & a l$ _& r# D- W r double gama[ON]; //输出层的阈值 : i. b1 F% ]6 q# J- Q4 r6 r+ [ double err_m[N]; //第m个样本的总误差 " [1 l: K" L) w4 L9 S# P 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 1 ?8 f2 _) E, Q- N struct { double input[IN]; + H& w1 l% d( a/ m9 P* H double teach[ON]; }Study_Data[N][IN]; /////////////////////////// //初始化权、阈值子程序///// " Z1 v1 Q# ?) u4 q /////////////////////////// 2 r; Q3 M: @& J" v: e" B% C) t a initial() { float sgn; , k m1 s* D2 d9 [7 _2 N float rnd; int i,j; " U. E: e) o, w' [ //隐层权、阈值初始化// { //sgn=pow((-1),random(100)); sgn=rand(); rnd=sgn*(rand()%100); W[j]= rnd/100;//隐层权值初始化。 } //randomize(); { //sgn=pow((-1),random(1000)); sgn=rand(); % K' T: U/ d7 t% E7 R* R rnd=sgn*(rand()%1000); _, ] s+ S9 a ^ sita[j]= rnd/1000;//中间层阈值初始化 cout<<"sita"<<sita[j]<<endl; o6 f4 o' Q4 R9 L0 C& { } 8 C% J/ h4 n2 F5 J //输出层权、阈值初始化// % }; g( F, t- b+ b( C //randomize(); 1 ?" w+ }! ^$ b4 M: n) s: o+ P7 N$ C for (int k=0;k<ON;k++) - B' p$ T! u6 ]! ]6 I% T# n for (int j=0;j<HN;j++) { //sgn=pow((-1),random(1000)); sgn=rand(); + E; I0 \# V( U/ j4 } rnd=sgn*(rand()%1000); * ]! a6 u: z( v9 w7 R* x3 R; e V[k][j]=rnd/1000;//第m个样本输出层权值初始化 } ; J. u4 g% D Y* c5 M //randomize(); 5 C/ B8 z6 Y( `) L: }/ S" l { " W U* t/ ^! G; F //sgn=pow((-1),random(10)); sgn=rand(); rnd=sgn*(rand()%10); gama[k]=rnd/10;//输出层阈值初始化 " E5 K) l4 `9 p1 X v cout<<"gama[k]"<<endl; } return 1; 8 D6 s+ i* E& N4 C: w! d }//子程序initial()结束

% X7 g% d1 R' I. z' c

//////////////////////////////// ////第m个学习样本输入子程序/// 9 c0 W) R0 x: I* D; C /////////////////////////////// * S( _, B9 d4 C$ N9 ^: j input_P(int m) { 2 Q6 z" W u) K6 J! u* a% w for (int i=0;i<IN;i++) 8 K3 f# x; D; i4 L+ |- d 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! v$ F! s1 W f) q //P[%d]=%f\n",m,P); , O5 T; V1 B6 ^' t& { return 1; }//子程序input_P(m）结束 ///////////////////////////// ////第m个样本教师信号子程序// ///////////////////////////// input_T(int m) { 8 ^+ B. a& f" L7 v 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]); 9 J8 T2 j8 e9 ^9 u return 1; }//子程序input_T(m)结束 ///////////////////////////////// ( ~4 m/ M, H. c C //隐层各单元输入、输出值子程序/// ///////////////////////////////// 1 x& q' O6 e8 ?( B& I H_I_O(){ double sigma; int i,j; $ {+ u+ F" q* a: p, J for (j=0;j<HN;j++) sigma=0.0; 2 p& |9 |/ d$ e. `: b for (i=0;i<IN;i++) sigma+=W[j]*P;//求隐层内积 - @5 C9 H! ?9 V5 l8 M8 u } X[j]=sigma - sita;//求隐层净输入 H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } / I @# e) v" l4 f4 Y1 d return 1; 5 d" Y/ @% Y2 i0 q }//子程序H_I_O()结束 /////////////////////////////////// //输出层各单元输入、输出值子程序/// /////////////////////////////////// O_I_O() . `! Q. U& c7 B6 {3 s { double sigma; for (int k=0;k<ON;k++) 8 [$ Q7 Q# \' W1 [/ J sigma=0.0; for (int j=0;j<HN;j++) sigma+=V[k][j]*H[k];//求输出层内积 } Y[k]=sigma-gama[k]; //求输出层净输入 " j) }) P2 R1 G G c* x% p O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 } * J+ Q8 _4 ]9 C; P* u/ w return 1; $ L% v8 w0 M9 j9 V3 p }//子程序O_I_O()结束 //////////////////////////////////// 5 S0 K' ~8 g( h$ q5 ] t( Q //输出层至隐层的一般化误差子程序//// : s$ H+ w9 O) `( b+ Y //////////////////////////////////// 9 }) U* p" z5 @2 q double d_err[ON]; Err_O_H(int m) { double abs_err[ON];//每个样本的绝对误差都是从0开始的 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++) 6 [6 ?* e/ L4 E; J$ Q abs_err[k]=T[k]-O[k]; . A- J: m6 A5 e( w8 i( t/ G //求第m个样本下的第k个神经元的绝对误差 1 ^1 w/ V; v5 @8 W) {; V$ O/ p 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 } 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 5 |: V) p# h3 e' I$ v, \9 L return 1; }//子程序Err_O_H(m)结束 //////////////////////////////////// //隐层至输入层的一般化误差子程序//// //////////////////////////////////// double e_err[HN]; Err_H_I(){ double sigma; //for (int hidden=0;hidden ( x, S3 [, K; K4 T+ D7 ` for (int j=0;j<HN;j++) 9 ]6 ~4 \; Z1 C( L3 g sigma=0.0; ; }! ~, x9 w( ]1 } for (int k=0;k<ON;k++) sigma=d_err[k]*V[k][j]; } $ S& o- o$ z7 |* L- e% E2 Z e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 & Z: ]3 P7 w4 o% ?7 w } return 1; ! F0 `/ x( l- H: { }//子程序Err_H_I()结束 //////////////////////////////////////////////////////// 4 P; A$ d9 r+ U* I //输出层至隐层的权值调整、输出层阈值调整计算子程序////// 4 |. }' y, y9 s4 T //////////////////////////////////////////////////////// Delta_O_H(int m,FILE* fp) { for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) + z$ U% g2 E u/ x2 l //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]); 9 ~, A1 \( Y2 q1 j V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 " A8 s9 x7 B- }' o* H) B- l4 t } gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 # F: u4 T# N) p$ @ D9 R! @! w$ S } ! S. a6 u' D: D& Q L return 1; }//子程序Delta_O_H()结束 : t# \1 b. L' J3 l- ~( C& S0 \. [( ~ ///////////////////////////////////////////////////// , P. ~; c, L1 i$ r //隐层至输入层的权值调整、隐层阈值调整计算子程序///// 8 q; E+ R/ p( m8 Y ///////////////////////////////////////////////////// Delta_H_I(int m,FILE* fp) ( Q7 T ~) r$ ]! }* d" n6 u) O { 5 P8 d. L" r: T" Y for (int j=0;j<HN;j++) " l/ U, S0 B# U 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]); * c) K' j+ }8 v% {0 I/ ~3 f W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 } sita[j]+=beta*e_err[j]; } , C5 [$ I6 o% Q t8 U0 K$ M return 1; : G2 _" t. Y( k- x( U }//子程序Delta_H_I()结束 $ ], L' ^8 H, Z0 b; S+ B ///////////////////////////////// //N个样本的全局误差计算子程序//// ///////////////////////////////// double Err_Sum() 7 Y% J; r& k1 Z { 7 `( j/ L) F* q0 T double total_err=0; 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 } 2 A( n2 l0 T: b2 G% s. T# `3 j( v return 1; }//子程序Err_sum()结束 /**********************/ /**程序入口，即主程序**/ ' N: I" }* d9 Z4 |" b /**********************/ ! y6 e* m1 m- I- o$ X main() { 8 A9 u) r. J4 p% p% I4 f% Z$ z! G FILE *fp; double sum_err; ( u# ]* A) n% ^+ E- U3 l$ p1 | int study;//训练次数 ! U7 _+ a0 V) U if ((fp=fopen("bp.txt","a+"))==NULL) { " T# y! N5 k! K) v1 A+ B; a printf("不能创建bp.txt文件!\n"); exit(1); . Q$ t7 N6 C4 t, E7 V# b } - g+ a1 S" r) K: N$ R cout<<"请输入输出层到隐含层学习效率: alpha=\n"; cin>>alpha; 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 8 T( R/ h* N6 M8 h5 N3 Y double Pre_error ; //预定误差 cout<<"请输入预定误差: Pre_error= \n"; 4 j# ~ G, d/ C9 w cin>>re_error; 7 z. D$ l2 w- C int Pre_times; ! c. J' d# n. |, t% Z cout<<"请输入预定最大学习次数re_times=\n"; 5 r1 e2 ~7 Y/ V% t+ n+ r cin>>re_times; cout<<"请输入学习样本数据\n"; { * C/ I5 }4 R( s0 l, m for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组学习样本"<<endl; for (int i=0;i<IN;i++) 0 c- I* W, U# {; Q cin>>Study_Data[m]->input; } { 9 A9 D6 ?* B- t" z: y3 T for (int m=0;m<N;m++) 1 f, x m- p7 E2 \! w5 G2 V cout<<"请输入第"<<m+1<<"组教师样本"<<endl; for (int k=0;k<ON;k++) 8 j7 N+ a) h+ e" g3 b3 M v& Y cin>>Study_Data[m]->teach[k]; } 1 H& K! f0 m2 N, M6 X initial(); //隐层、输出层权、阈值初始化 (1) do / r ?! e: O: W n) i* Z( D { * Z) I) d u' S- F$ C ++study; ///??? for (int m=0;m<N;m++) { ! |% r+ i( p1 s* @3 A* g. q, [0 { 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) 2 R$ v7 D. R) U" I5 D+ q) ]8 d; C 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) ; H4 O3 H2 \0 J q' v2 Q; k/ m/ v Err_O_H(m); //第m个学习样本输出层至隐层一般化误差 (6) ( v" I! \, `* N7 q Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (7) & f ^/ A/ d, | 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) } //全部样本训练完毕 $ c; _# ]; N: ~' Z( R A5 S1 E! O" T sum_err=Err_Sum(); //全部样本全局误差计算 (10) { cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; 5 G; z# a0 [: R4 M% Y- U' P fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); } 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) 8 v! ]7 O4 c. L* v 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); } ; h4 \. N) e2 Y' g, J char s; " p" J3 W5 ~+ }2 J, C cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; / L. I5 e1 l9 p+ }5 Q9 J+ m return 1; }

chz0829

看不懂

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