[转帖]C++的BP算法源程序

ilikenba

2 f2 i2 |7 Y& n& s f8 n

9 B9 V C* i$ F( N' I3 [2 \

#include "iostream.h" , L: L l) I) f, G+ H4 ]( v #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 #define ON 1 //输出层神经元数目 - ~7 n, \ n7 z/ ] double P[IN]; //单个样本输入数据 % }* u. O& X2 A6 G7 m. a double T[ON]; //单个样本教师数据 " S) W, \) z, L4 } double W[HN][IN]; //输入层至隐层权值 1 T S0 @' j* F7 U 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 6 S$ O- }! x0 m3 L Q; ^ double H[HN]; //隐层的输出 double O[ON]; //输出层的输出 5 a, p/ ^* ]- S8 _ double sita[HN]; //隐层的阈值 6 _6 j$ A/ r6 |+ |9 J( y double gama[ON]; //输出层的阈值 . p: |9 D3 ?! x# ^) h' t$ Y double err_m[N]; //第m个样本的总误差 H6 O0 D' V3 w* {. S double alpha; //输出层至隐层的学习效率 , h4 b& `* p2 F v, P+ N; M3 K+ K double beta; //隐层至输入层学习效率 8 h8 Q, T% v/ ` y //定义一个放学习样本的结构 " ]1 U+ H7 q; J- U2 t3 R! W struct { double input[IN]; ( i- b Z/ H" _9 [8 n; _ double teach[ON]; ' I2 f& S3 Q2 o5 U }Study_Data[N][IN]; ; q5 ^4 E9 y8 U( |6 C + }1 |' z7 i: B /////////////////////////// m$ c" Z4 k' f U' X1 |% k //初始化权、阈值子程序///// /////////////////////////// initial() 5 a8 L# Q2 z* o6 n( [" m { : v* B" ]4 K+ e% N$ o7 v float sgn; float rnd; + w6 C" o+ p! D) c- q int i,j; 5 ?* d2 V5 U( F; ? //隐层权、阈值初始化// 9 ]) T9 n; R+ V( ^/ x- i { ; O+ }8 ~4 G9 W4 f3 s0 k //sgn=pow((-1),random(100)); ! s* B) w" Z2 G# H7 o1 s sgn=rand(); " \" X8 d' o: I$ L' V& Q1 @: U9 f rnd=sgn*(rand()%100); W[j]= rnd/100;//隐层权值初始化。 } //randomize(); { 4 ~9 x1 K, Y$ G6 u9 O //sgn=pow((-1),random(1000)); 4 p/ }: N: b8 A0 D sgn=rand(); ' N% y/ G& [5 J/ p+ l5 f rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 cout<<"sita"<<sita[j]<<endl; # V e- c4 V& W. I- s } //输出层权、阈值初始化// //randomize(); . r6 \# w$ c! {+ ^* ]' H) O6 P* P for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) 1 \$ H1 c2 c( F9 P; R1 V' [ { //sgn=pow((-1),random(1000)); . \) o+ u# c/ o sgn=rand(); 2 p8 h, G% k3 s1 V5 l rnd=sgn*(rand()%1000); P) [2 w4 S$ v3 y V[k][j]=rnd/1000;//第m个样本输出层权值初始化 } 6 X7 L z6 G$ i J& L //randomize(); . D- o) r4 L; H8 ~ { //sgn=pow((-1),random(10)); sgn=rand(); 7 D+ h7 H6 J0 I$ i9 _6 q. w rnd=sgn*(rand()%10); 5 Q( q1 T1 i! G0 [ gama[k]=rnd/10;//输出层阈值初始化 cout<<"gama[k]"<<endl; - H+ ^# P$ W7 T' r- H _$ m# q } 7 v8 C+ J0 B( R return 1; / U! X( b7 e/ Z* X7 `, i }//子程序initial()结束

//////////////////////////////// 3 s! k/ M6 v/ q& h! E ////第m个学习样本输入子程序/// 5 y* f8 V$ c* W) d2 y2 t: p8 B /////////////////////////////// 7 }. G* J* I6 ~. g: _! t9 [3 A input_P(int m) $ m5 s2 {& T" L, s0 | { , }2 o( U# f( @0 l! v! l' F" a7 }4 d+ [ for (int i=0;i<IN;i++) - s$ r7 s4 _6 z* D P=Study_Data[m]->input; //获得第m个样本的数据 : [" b }; U; y //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： 8 ?& w9 q4 L5 P7 ]5 p //P[%d]=%f\n",m,P); return 1; 6 _; o' y2 Y% y0 F& j }//子程序input_P(m）结束 ///////////////////////////// ////第m个样本教师信号子程序// ///////////////////////////// input_T(int m) / B6 [, l: k+ n. s7 O { for (int k=0;k<m;k++) T[k]=Study_Data[m]->teach[k]; 1 @( h2 g* D' [1 S //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); return 1; }//子程序input_T(m)结束 ///////////////////////////////// //隐层各单元输入、输出值子程序/// - R& q) m) \) Z# B d6 K/ ? ///////////////////////////////// H_I_O(){ double sigma; int i,j; for (j=0;j<HN;j++) sigma=0.0; 6 C) s+ c( G# j+ B3 q 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 # k6 \! b' w6 o7 c; H+ | H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } / y6 b+ O$ Q/ D) n# l' f! B# M% j return 1; / a2 o( Z; u6 Y }//子程序H_I_O()结束 $ L$ K4 _# F8 ]4 F0 N /////////////////////////////////// ; T0 ^/ s' @4 G //输出层各单元输入、输出值子程序/// /////////////////////////////////// O_I_O() { double sigma; for (int k=0;k<ON;k++) w9 n+ e7 W S3 X2 ], l6 p9 }: M sigma=0.0; for (int j=0;j<HN;j++) ; \% a( j6 P: p7 l8 r" i sigma+=V[k][j]*H[k];//求输出层内积 } Y[k]=sigma-gama[k]; //求输出层净输入 , @2 w6 g% s% C$ w. ?/ r( A1 f O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 } ! u$ _1 x6 M6 l, ?, b V# L return 1; }//子程序O_I_O()结束 9 ]5 b& `. T4 F* L! v( K* Q! T: @ //////////////////////////////////// //输出层至隐层的一般化误差子程序//// //////////////////////////////////// double d_err[ON]; Err_O_H(int m) $ G) J. n4 W" {+ k { . S9 N: ~* y* J2 ] double abs_err[ON];//每个样本的绝对误差都是从0开始的 " x5 J# t* B. i2 f: ?3 x double sqr_err=0;//每个样本的平方误差计算都是从0开始的 4 M; F% t7 ?4 @) s //for (int output=0;output<ON;output++) //output??? + H% n& q S1 I7 p for (int k=0;k<ON;k++) # o: D% W. E) R5 R, Z& N abs_err[k]=T[k]-O[k]; 1 o5 m5 k1 b8 p( d1 \3 L //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 8 @2 [/ ?0 |! u# N 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 - t) y" J5 {7 [- X 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//// : i9 P; v8 d# {2 ^& V //////////////////////////////////// double e_err[HN]; Err_H_I(){ double sigma; //for (int hidden=0;hidden ! d% w0 D% a6 A1 S3 a8 z for (int j=0;j<HN;j++) $ y1 [* O; y% E$ Z; C1 ? sigma=0.0; ! m/ ^* V! n `! o, O for (int k=0;k<ON;k++) + ^, s: i' p4 L) r) U. P) ]: d E sigma=d_err[k]*V[k][j]; : ^" v- H( d( n" W } e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 3 ^6 }% ^2 Y7 ]' }2 I* e. J } return 1; }//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////// , y- V+ M% p8 E. _7 v& f" J6 s //////////////////////////////////////////////////////// + W" n0 }4 E- K0 @3 z Delta_O_H(int m,FILE* fp) & x. J: f, a1 c$ h/ ~" c { for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) //cout<<"第"< % I4 E9 Y9 u$ R8 Tfprintf(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 # H5 J( f I, X. C) C } 5 ]* m8 y% V3 s/ h6 S- I return 1; 4 H( [; t- p3 {; K. d X" ~7 Q }//子程序Delta_O_H()结束 ///////////////////////////////////////////////////// ?1 f- o Q5 W //隐层至输入层的权值调整、隐层阈值调整计算子程序///// ///////////////////////////////////////////////////// Delta_H_I(int m,FILE* fp) { * X) n- @' P' E for (int j=0;j<HN;j++) 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]); ! b( q; o1 p% J W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 } sita[j]+=beta*e_err[j]; } ' x/ z# M& d( ], j% c return 1; }//子程序Delta_H_I()结束 m7 J" |9 ?' a, A& u. L ///////////////////////////////// " f5 [4 @: S2 I2 P0 B9 U //N个样本的全局误差计算子程序//// ///////////////////////////////// o* J6 h! ` F9 U double Err_Sum() s+ }8 L! j5 S7 [( a2 P5 `7 T { * y' D5 v8 ?, ?6 {% k 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 } * Q( x+ y' j; w6 s" ` return 1; 7 v( a2 m o3 }: W" L }//子程序Err_sum()结束 - Q% ]& v' o4 V4 i& W3 p4 Y/ e/ T /**********************/ /**程序入口，即主程序**/ /**********************/ main() { FILE *fp; " z- n0 x: Y. h9 K double sum_err; & `8 I+ c3 D# n9 u int study;//训练次数 / r: r* h9 F& R$ z3 K! E+ b if ((fp=fopen("bp.txt","a+"))==NULL) $ B5 j {" W9 X6 V { ( p) [! F; f6 J$ i" S printf("不能创建bp.txt文件!\n"); 4 }% f+ x4 W* i exit(1); 8 U, x) j# N% v# q! g+ h } . }/ K) l. r# H( \ @ cout<<"请输入输出层到隐含层学习效率: alpha=\n"; cin>>alpha; 9 Q) |: J" t# M: N) b* @2 c! D cout<<"请输入隐含层到输入层学习效率: beta=\n"; - f+ o) X+ F$ V+ o cin>>beta; int study=0; //学习次数 double Pre_error ; //预定误差 $ i, W1 N% A5 U cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; # K, @! B) G% b9 `: c; {% b- |7 m int Pre_times; 4 W$ ^. ~3 _9 l9 x cout<<"请输入预定最大学习次数re_times=\n"; cin>>re_times; cout<<"请输入学习样本数据\n"; { , K* e# x+ l% W; @ for (int m=0;m<N;m++) ( k. Z4 i7 x- _" g cout<<"请输入第"<<m+1<<"组学习样本"<<endl; e2 K/ O' _: h D5 t1 M0 { for (int i=0;i<IN;i++) & s. x: o# f1 o+ _) a0 s, Z cin>>Study_Data[m]->input; } 8 W. _ F( _* V" c9 a# M$ s! w { for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组教师样本"<<endl; / V$ P' Z( |; @/ [. O% f for (int k=0;k<ON;k++) cin>>Study_Data[m]->teach[k]; } 5 v; I. T* Z2 z/ O* t$ q9 V, X$ ` initial(); //隐层、输出层权、阈值初始化 (1) do { ++study; ///??? for (int m=0;m<N;m++) 4 }9 m+ [2 ?/ a. r { ' z: B L: z" y' f ^, [; V! J input_P(m); //输入第m个学习样本 (2) / G! |8 W9 [' Q3 E/ \* V- W input_T(m);//输入第m个样本的教师信号 (3) " {( W# N4 ~& X% z8 k' ]' ~: I: z5 p+ F6 H 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) 4 h0 x A I4 y/ w Err_O_H(m); //第m个学习样本输出层至隐层一般化误差 (6) 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) ' R" O2 a# `! D* \ } //全部样本训练完毕 - @4 T" E$ u! G( z( e- i# Z sum_err=Err_Sum(); //全部样本全局误差计算 (10) * t9 M) n5 r @- m/ [& ] { 1 {" c$ `0 V3 S cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; 2 ~) X g: r( V5 X$ J8 g% i fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); $ P. q( K5 x# p5 T. ?- Z } ' j1 S6 |, |* P! @, u while (sum_err > Pre_error) //or(study ( l' h9 U9 M, a { //N个样本全局误差小于预定误差否？ 小于则退出 (11) ! ~+ \* p! j& }; K6 M4 ` `" z cout<<"网络已经学习了"<<study<<"次,学习的均方误差为"<<sum_err<<endl; $ X7 _+ ]$ p9 |& S 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); } 2 R/ g! {' ^, X1 |) @ char s; 6 Y: Q/ v) q3 L3 f W$ { b cout<<"请随便输入一个字符，按回车退出程序！\n"; 1 ~& O" \/ v# c* B+ A" U cin>>s; return 1; # r d% Z; ^1 a) g. b9 i }

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