[转帖]C++的BP算法源程序

ilikenba

0 S( I7 B; R; g. _' e% o) e

#include "iostream.h" : `1 w3 E- E: k4 w8 L* @ #include "iomanip.h" ' J3 G* ^4 l1 m1 h9 f #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 * X: r, v! D; i5 b D# I; v" I #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 0 {0 F0 R9 c1 L8 j5 X' L5 a 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 . s ^, t1 ^" h& U u" Z) x" q double Y[ON]; //输出层的输入 double H[HN]; //隐层的输出 $ U0 m) L* Z$ u& w double O[ON]; //输出层的输出 double sita[HN]; //隐层的阈值 double gama[ON]; //输出层的阈值 double err_m[N]; //第m个样本的总误差 ; l/ o, N" U- e J1 L6 E J/ v8 K double alpha; //输出层至隐层的学习效率 2 Q% H: d5 x5 M G" t double beta; //隐层至输入层学习效率 ( Q) X; M. ~8 E; d. b9 g //定义一个放学习样本的结构 8 N1 L7 p/ x# [! }3 \ struct { double input[IN]; + P, [" C' Q1 l0 S; K( v+ c double teach[ON]; 8 J( K D7 t3 e) y7 ]) `- } }Study_Data[N][IN]; /////////////////////////// //初始化权、阈值子程序///// ( p. Q4 u" g0 ?& v$ N A; \3 l /////////////////////////// initial() { float sgn; float rnd; " I' l3 @5 X7 u6 _6 h9 U4 N2 G4 } int i,j; ' }2 |0 ]6 Y- w/ k# m' m4 C" m //隐层权、阈值初始化// { # S" E: I% z" G+ L //sgn=pow((-1),random(100)); sgn=rand(); % t# `4 Y1 n! }7 f( T rnd=sgn*(rand()%100); W[j]= rnd/100;//隐层权值初始化。 ' L. u2 k, O; A% ?- _3 E- }* t4 f } . O$ D$ f; h/ N. J6 T //randomize(); 5 s. B+ |: X% i. Z { 4 V. n3 _0 S+ ?% G `* E: a //sgn=pow((-1),random(1000)); sgn=rand(); rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 0 L# p4 @) l& a' l+ g! D cout<<"sita"<<sita[j]<<endl; / Y: k6 a2 y$ M, k/ ]3 i' q' Q } " n* z! s; G O" L6 v; i, E- p. x //输出层权、阈值初始化// //randomize(); . N$ _+ Q" f) r' c, W2 Q. z( | for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) ' E; ]: W% A2 x$ v { //sgn=pow((-1),random(1000)); 1 y# s- D; P& t sgn=rand(); rnd=sgn*(rand()%1000); V[k][j]=rnd/1000;//第m个样本输出层权值初始化 } //randomize(); { //sgn=pow((-1),random(10)); ; Z% C2 j# k/ U% ? c' m" J1 b/ r sgn=rand(); 6 C5 C% `' o* _ rnd=sgn*(rand()%10); gama[k]=rnd/10;//输出层阈值初始化 1 h6 d& T+ c, r: R cout<<"gama[k]"<<endl; 8 U, r* a: F% v; e } ' p: S: K$ J+ E! k8 ? return 1; : d( K. `- ?) t* G }//子程序initial()结束

0 D4 A) s* a1 s3 O2 R' u9 x4 ` [0 d

//////////////////////////////// . B: m( t! t4 v: b! m ////第m个学习样本输入子程序/// /////////////////////////////// input_P(int m) & A" {/ p6 p$ @5 \; K { ( l3 J2 Z7 W2 x: ^( G for (int i=0;i<IN;i++) % f" b* f( K# M6 S, W! j1 w P=Study_Data[m]->input; //获得第m个样本的数据 7 b, r _* f2 x/ l- u //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： 5 s6 d v5 w8 m7 y7 _. }1 | //P[%d]=%f\n",m,P); 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) e& r7 K8 n6 f7 [ ~7 U8 y { " F3 S3 q! n# E for (int k=0;k<m;k++) T[k]=Study_Data[m]->teach[k]; ) x, s& u5 F" D+ s) F7 E3 c8 }: H4 m4 ` //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); 1 ]: X" V) ]: O1 D4 J return 1; 1 d7 e- y7 c( m4 c- e2 \ }//子程序input_T(m)结束 0 o) w0 G0 A* P8 _ ///////////////////////////////// //隐层各单元输入、输出值子程序/// 5 e/ Y; J" z* ]5 I ///////////////////////////////// H_I_O(){ ' v# C$ j$ Q. h$ m! o double sigma; + C# U$ X8 e) ~# ^! v 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 ; l: G( ~! \* W$ E } X[j]=sigma - sita;//求隐层净输入 # d3 a/ y. R0 E( K9 Z( [ H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 ; X( d9 N) a$ R& ~. Q- ~- g; S } return 1; }//子程序H_I_O()结束 /////////////////////////////////// # _7 O* ?0 \) E* v8 g# a //输出层各单元输入、输出值子程序/// * r# q7 ?3 F9 k J /////////////////////////////////// O_I_O() { double sigma; for (int k=0;k<ON;k++) sigma=0.0; ; ?# K9 b6 c8 v for (int j=0;j<HN;j++) * p# L- i6 U2 D sigma+=V[k][j]*H[k];//求输出层内积 . W8 g9 ^$ u! g2 l2 ? } Y[k]=sigma-gama[k]; //求输出层净输入 7 r" h* M1 }- N: B; {1 \( w7 t; D O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 } return 1; 7 C4 | \4 O6 z' C }//子程序O_I_O()结束 $ p" D+ O$ ]" k //////////////////////////////////// //输出层至隐层的一般化误差子程序//// //////////////////////////////////// double d_err[ON]; 2 o) ^( B* y1 J8 }1 R, H) T1 ^* r6 l Err_O_H(int m) { 0 c. o6 X, f0 ?8 v 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 9 ]; g! r) n+ w% q1 j/ u! u //for (int output=0;output<ON;output++) //output??? for (int k=0;k<ON;k++) 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 $ d; g' q3 L& ?5 } sqr_err+=(abs_err[k])*(abs_err[k]);//求第m个样本下输出层的平方误差 , M$ D( g/ [; w; R 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 return 1; }//子程序Err_O_H(m)结束 2 a+ t' ]; S/ K* X% Z; S //////////////////////////////////// //隐层至输入层的一般化误差子程序//// ; Q4 L4 z9 ]( C" b //////////////////////////////////// double e_err[HN]; Err_H_I(){ double sigma; * {. O0 @# ^$ a. f$ P" L //for (int hidden=0;hidden 9 \% S6 X2 K- g3 `% |* r for (int j=0;j<HN;j++) $ W6 C3 B1 }" B! `4 _' k sigma=0.0; for (int k=0;k<ON;k++) 3 g ?" j7 o( a sigma=d_err[k]*V[k][j]; } - j3 d3 J7 R1 U% S0 ~( D e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 } return 1; }//子程序Err_H_I()结束 //////////////////////////////////////////////////////// % G7 i8 z# a$ ? _0 ? //输出层至隐层的权值调整、输出层阈值调整计算子程序////// 0 b/ T4 t; o9 ^2 W //////////////////////////////////////////////////////// 6 E7 S Q9 O( B7 w( z, V( j Delta_O_H(int m,FILE* fp) + z: [; Y3 x5 u' O9 ` { for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) 7 j' e. k" T9 C: u2 U //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]); & @7 U# I1 n; \: G# a( x7 s V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 4 ?1 _" `) W& o+ Y( w" U } gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 } : C' h! [7 j" X+ D* q; s return 1; }//子程序Delta_O_H()结束 : W( m* o6 t8 O$ r& p% L ///////////////////////////////////////////////////// 7 W6 A" r% V+ |/ A2 Y1 V //隐层至输入层的权值调整、隐层阈值调整计算子程序///// ///////////////////////////////////////////////////// p! b7 U7 s3 s" g4 v" K Delta_H_I(int m,FILE* fp) $ C6 h8 O. h# l x" d6 T; C) y4 C { for (int j=0;j<HN;j++) 5 b7 F# }9 `3 S, @2 l1 b 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]); W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 } sita[j]+=beta*e_err[j]; ; O/ f" M6 f2 L7 O } % V* a2 Y l K8 e5 p; \ @ return 1; }//子程序Delta_H_I()结束 - c) z* E- y% i& L# ~4 j9 q4 g ///////////////////////////////// //N个样本的全局误差计算子程序//// ///////////////////////////////// 0 e. w" J6 N% U, E double Err_Sum() { 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 0 K# i Y% F: Z1 P( B( T0 ? } * J3 g5 q% L- l9 x ^1 P return 1; % [: i! `; B7 w" e& M0 M. } }//子程序Err_sum()结束 /**********************/ $ d+ @: @8 l( u! {0 |, G3 ~ /**程序入口，即主程序**/ /**********************/ main() { FILE *fp; 2 o9 f5 }+ v+ T( G0 x7 N double sum_err; int study;//训练次数 if ((fp=fopen("bp.txt","a+"))==NULL) { ; J! j9 p- Q( S/ N1 Z& f printf("不能创建bp.txt文件!\n"); ) o5 z8 X7 e1 l9 { exit(1); 2 A" ]! z* L6 Y% q, W2 q' x } 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 double Pre_error ; //预定误差 cout<<"请输入预定误差: Pre_error= \n"; / ]8 [! N" m {2 v0 W+ l9 l cin>>re_error; $ R- Y. O: B6 L: T5 X int Pre_times; 9 x/ g5 j5 Z: y 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"; { 2 @0 L: ~& h+ c) N for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组学习样本"<<endl; / r4 L+ P; y# B2 H for (int i=0;i<IN;i++) : f4 J! @5 C0 H4 I; {( r cin>>Study_Data[m]->input; % i- w. D5 {, K' _/ N/ Y U9 t } { 5 q2 S) m e4 K for (int m=0;m<N;m++) " {: i! Z } {8 n( l cout<<"请输入第"<<m+1<<"组教师样本"<<endl; A z, b8 W8 y# _* [& E0 _ for (int k=0;k<ON;k++) - o" U/ l8 g3 |+ G% h; e$ [ B cin>>Study_Data[m]->teach[k]; } 3 n; \: F, u8 Q$ ~- b initial(); //隐层、输出层权、阈值初始化 (1) do { 7 Z7 S6 v7 Z! ~% g) o ++study; ///??? , V' Z; S8 X5 c0 v! q for (int m=0;m<N;m++) { , B' }: O6 a' e% x; g input_P(m); //输入第m个学习样本 (2) $ O/ V; j& s7 ~# F input_T(m);//输入第m个样本的教师信号 (3) & E6 |1 A4 \9 b! \# E H_I_O(); //第m个学习样本隐层各单元输入、输出值 (4) 0 H5 q4 N5 Y& i* l O_I_O(); //第m个学习样本输出层各单元输入、输出值 (5) 8 O! _6 w5 ~: ^ 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) : s% C& F" B) Y$ h 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) { + a) ?) h( E3 [4 W$ ?" X 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); } . W6 B+ A# h$ i. W. J q9 w while (sum_err > Pre_error) //or(study 1 j& m& o. n( G* q: \4 r { //N个样本全局误差小于预定误差否？ 小于则退出 (11) 5 j# f2 }' {' q/ T+ k cout<<"网络已经学习了"<<study<<"次,学习的均方误差为"<<sum_err<<endl; * ]8 h! D) Y! a+ Y. t 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); , W. d4 F# N( _- e } $ B; X. R% N+ ?- { char s; ! u- v/ h Q7 J( A9 o cout<<"请随便输入一个字符，按回车退出程序！\n"; - V, y* _% ^& r, e cin>>s; 7 q* F9 x1 o& N9 L 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