[转帖]C++的BP算法源程序

ilikenba

8 l9 V7 M- w# K7 f, p5 G

4 p' F, _' w: _+ X$ z

#include "iostream.h" #include "iomanip.h" #define N 20 //学习样本个数 ; Y) A, t6 P1 |% R8 _9 } #define IN 1 //输入层神经元数目 #define HN 8 //隐层神经元数目 : M" g1 M) J. E( s #define ON 1 //输出层神经元数目 ' d8 W4 w. M- `: }! S9 f- \ double P[IN]; //单个样本输入数据 + A" C( m# k7 M0 J- j, T, g% r double T[ON]; //单个样本教师数据 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 . M$ _- [: U' L8 r0 k double H[HN]; //隐层的输出 " n; U5 ~9 B9 E- k$ g+ P0 ^3 |% v double O[ON]; //输出层的输出 double sita[HN]; //隐层的阈值 + V- i6 {1 z T+ c N1 U double gama[ON]; //输出层的阈值 1 g- O8 k" u" \2 o 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 ' h) k E) U( L* d7 Y E1 S double beta; //隐层至输入层学习效率 //定义一个放学习样本的结构 + c' J1 ]3 Y- U8 L3 r struct { double input[IN]; $ @0 c* c; G3 k double teach[ON]; }Study_Data[N][IN]; /////////////////////////// * _0 q4 Q) h1 U8 n6 W# A //初始化权、阈值子程序///// . j o$ O4 z- m! d: C6 Y2 h3 V /////////////////////////// 4 E3 ]* R( W5 f1 N. D3 [( v$ J) ] initial() ( D/ u- j; U8 U6 I' \. T" v { float sgn; 0 y# ^5 H; B# i float rnd; ; \% B% ^& b+ e int i,j; //隐层权、阈值初始化// 0 b! F, @1 e! @) j; b1 k$ [% d8 e { //sgn=pow((-1),random(100)); sgn=rand(); 6 a1 }6 t5 n1 a4 o" Y rnd=sgn*(rand()%100); ( ]) O# v- U$ C2 ]& J W[j]= rnd/100;//隐层权值初始化。 } //randomize(); @, Y R" A% b+ d/ Z2 k { //sgn=pow((-1),random(1000)); 0 Z$ s) H6 S+ [9 Q& I4 l sgn=rand(); ( A, K& l1 K X# G8 L rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 ~& E/ H: q4 }$ @/ \8 r5 ~ t cout<<"sita"<<sita[j]<<endl; } //输出层权、阈值初始化// ; \$ F/ X" ^2 w7 j8 b. Z$ e //randomize(); for (int k=0;k<ON;k++) + t, Y! k! ^) u. Y" |: ]8 X for (int j=0;j<HN;j++) & r$ E6 h9 l' r$ P4 ~' E$ a: |. M7 ` { ' A0 q- P* j" |+ j //sgn=pow((-1),random(1000)); sgn=rand(); rnd=sgn*(rand()%1000); # L. X6 Z- y( q+ j& t# ^/ X V[k][j]=rnd/1000;//第m个样本输出层权值初始化 - y$ w& p5 H y: z% M } //randomize(); 2 _2 Q1 H+ \+ d5 n7 w { //sgn=pow((-1),random(10)); / e. s" b* b! p sgn=rand(); rnd=sgn*(rand()%10); 5 {" w& a7 o9 w* n" Q6 U gama[k]=rnd/10;//输出层阈值初始化 1 w# S. j% C" U5 y- Y3 H cout<<"gama[k]"<<endl; 1 b! P* _2 K; f: j# P5 h } 1 h1 i; g( b7 ^, G* X. X9 z return 1; Q+ @' r) H: ~0 a- K, v1 t % C6 R2 e4 I) G9 u0 C n% J. @$ X+ b }//子程序initial()结束

//////////////////////////////// ////第m个学习样本输入子程序/// & B& I# ]0 w. I1 @! x /////////////////////////////// input_P(int m) { . H9 k: l' J5 l$ B# { s for (int i=0;i<IN;i++) P=Study_Data[m]->input; 1 A' |$ \* W! e4 M9 ? //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); & s+ V4 r/ g8 h: d4 `* N6 g: G return 1; % o/ f3 N" Y" w+ ^! Q8 ^ }//子程序input_P(m）结束 ///////////////////////////// ~! O/ w6 D% _8 x9 ?4 v ////第m个样本教师信号子程序// ; _# z' Y7 |+ t3 [$ d8 c ///////////////////////////// ; n. m8 a, K3 y/ Y( |) F input_T(int m) 1 q- v8 r% A- ~: X! d; U& G3 O% g { # Y+ @4 K3 Z d; b) |% _ e: } for (int k=0;k<m;k++) 8 w; L# e% j& P9 e5 j3 Q 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]); : V t! y3 g9 J) _4 U% t return 1; ' _6 h. x8 a w+ \ }//子程序input_T(m)结束 ///////////////////////////////// //隐层各单元输入、输出值子程序/// 8 X8 e: U6 m6 Y4 o ///////////////////////////////// H_I_O(){ double sigma; int i,j; for (j=0;j<HN;j++) sigma=0.0; for (i=0;i<IN;i++) sigma+=W[j]*P;//求隐层内积 } X[j]=sigma - sita;//求隐层净输入 $ H" w# [: ?3 R t- l9 |: C% d+ l C H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } return 1; & ~# r7 M" G7 t5 l+ k% y }//子程序H_I_O()结束 5 v' h+ x" }* f3 E5 ~. G& d /////////////////////////////////// //输出层各单元输入、输出值子程序/// /////////////////////////////////// 9 \4 G+ v# j! b9 W O_I_O() : P4 x1 a q8 ^ { # Y' Y5 F' m" E1 w double sigma; + [& ?! p. ]1 N j for (int k=0;k<ON;k++) sigma=0.0; for (int j=0;j<HN;j++) sigma+=V[k][j]*H[k];//求输出层内积 & A( c% I# k$ R' A$ m) a. a; { } Y[k]=sigma-gama[k]; //求输出层净输入 ! y4 h. j, j6 @+ {; j O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 } return 1; }//子程序O_I_O()结束 / Q0 l9 f. d, X( \ //////////////////////////////////// //输出层至隐层的一般化误差子程序//// 0 t. N; C& I% T! t //////////////////////////////////// 7 z; n& I4 _' y" O. Z' E double d_err[ON]; 1 z3 `! h3 s ^( Q$ s* i4 | 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 " k$ e* J* X+ 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??? . b7 w# n0 H1 g9 Q4 D6 J for (int k=0;k<ON;k++) 2 M3 l) a+ A6 f+ H; u4 g V- E abs_err[k]=T[k]-O[k]; //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 } 0 g9 Z3 }# S- b5 u 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 9 S( n1 M; L; I |2 y return 1; / c2 h" P, f% D* ]7 P4 W }//子程序Err_O_H(m)结束 ' X. v9 b7 Z8 m- x% X1 R2 Y //////////////////////////////////// 3 | e) i; K; w @- i0 q //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 for (int j=0;j<HN;j++) sigma=0.0; for (int k=0;k<ON;k++) 3 u6 u- m' g' z sigma=d_err[k]*V[k][j]; " D4 l0 t+ {5 q" U0 P } ' y8 N1 K# M* l$ L e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 ( S& o) i+ D7 ^% |4 R6 X$ _ } return 1; - h i4 Q5 n# _; h; ~( ~ }//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////// //////////////////////////////////////////////////////// 7 d: d0 A2 `# o3 I0 f Delta_O_H(int m,FILE* fp) 1 l$ [: }; G: u8 {4 W, J, ?$ n { for (int k=0;k<ON;k++) 6 J! H/ {- I+ R& ~% h) x for (int j=0;j<HN;j++) //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]); D" K4 S8 h- G8 j+ M V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 * I- [- z0 d8 G d$ R s } 2 h5 _' z/ O3 B gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 ' g( m/ T( }. D1 _4 H9 \ } 5 ]4 v( y7 p! \" y9 O! ^ return 1; }//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///// ///////////////////////////////////////////////////// * s" w, p6 t# G( X! v Delta_H_I(int m,FILE* fp) { 2 G) m8 h. y- u! L, N B. N/ Z for (int j=0;j<HN;j++) for (int i=0;i<IN;i++) % x4 |" I/ u7 w( L5 } //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]); / s7 A( S8 L% `- D' @. m1 Y W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 - W3 r( T/ B+ Y) `7 g& V } sita[j]+=beta*e_err[j]; } . H! U: E( a" B! y2 K3 I return 1; }//子程序Delta_H_I()结束 ///////////////////////////////// //N个样本的全局误差计算子程序//// ; U! _' j3 p& S3 l7 G, e9 i8 A ///////////////////////////////// $ m& U9 ]9 y/ ?7 c8 H double Err_Sum() 6 j4 h; v% @1 _8 l7 I { $ @4 l( c7 z- k* b 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 } return 1; }//子程序Err_sum()结束 /**********************/ /**程序入口，即主程序**/ , |/ M% X& g: S5 c /**********************/ main() 0 s+ N$ U* c% B- S: b { * p H; u9 U! G/ H. ^4 o FILE *fp; double sum_err; int study;//训练次数 if ((fp=fopen("bp.txt","a+"))==NULL) { printf("不能创建bp.txt文件!\n"); exit(1); } ( } m, g0 b' V6 z/ i8 D% Q t cout<<"请输入输出层到隐含层学习效率: alpha=\n"; * b3 `+ V6 \" P. [) R cin>>alpha; 2 u' z' f% b' l$ U! ]8 F cout<<"请输入隐含层到输入层学习效率: beta=\n"; cin>>beta; - W4 t/ g# A4 a; Q# w' [2 B1 x! _ int study=0; //学习次数 double Pre_error ; //预定误差 t: j2 p4 n$ \ cout<<"请输入预定误差: Pre_error= \n"; $ n* A3 _/ D8 K) x8 D cin>>re_error; 9 H" W5 {2 {1 n, J5 z! C int Pre_times; cout<<"请输入预定最大学习次数re_times=\n"; - d7 D1 J: ^: r' P! l cin>>re_times; cout<<"请输入学习样本数据\n"; { * u z; x0 M5 O/ n for (int m=0;m<N;m++) 0 n& k. K! [1 A S1 {3 q0 H" V cout<<"请输入第"<<m+1<<"组学习样本"<<endl; 2 n0 L. h2 `: {/ X6 T& y for (int i=0;i<IN;i++) cin>>Study_Data[m]->input; " L& F8 S( I+ s* } } 1 P9 t& ?( v3 `, U% V { for (int m=0;m<N;m++) ; `3 C- H% r2 f6 H. y cout<<"请输入第"<<m+1<<"组教师样本"<<endl; for (int k=0;k<ON;k++) / B% |, S- X4 l% j+ ~ cin>>Study_Data[m]->teach[k]; } 4 y" q. m; B/ U4 o' ` initial(); //隐层、输出层权、阈值初始化 (1) ; e6 f+ c% {; a \$ E* ~: [9 @ do 2 ~2 r" Q: Z, A+ r { ++study; ///??? for (int m=0;m<N;m++) { input_P(m); //输入第m个学习样本 (2) ) X) A R+ A3 g. W2 {- Y input_T(m);//输入第m个样本的教师信号 (3) 7 p6 {- ?) D6 V 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) Err_O_H(m); //第m个学习样本输出层至隐层一般化误差 (6) 4 W* U- Q- ~" c& F' T6 {+ ] 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 9 c w$ D: _7 e4 p* U8 _3 e$ X- r" S sum_err=Err_Sum(); //全部样本全局误差计算 (10) - P& \: w% e0 a* E. w1 j7 ]6 F { 7 J# s" J4 H+ b1 ^ s) x8 U cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; 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 / r% ?+ p+ N0 ^! _0 ~" ~ { //N个样本全局误差小于预定误差否？ 小于则退出 (11) # D& m9 T& q1 O9 C5 M/ q$ u 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); } char s; 9 A+ l( M7 S4 F- @ cout<<"请随便输入一个字符，按回车退出程序！\n"; % ?; V: B+ [- D; ^3 G8 K cin>>s; 9 c, c7 m( [$ `, M9 W/ G return 1; 3 J* o/ d) j! o1 d. l }

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