[转帖]C++的BP算法源程序

ilikenba

6 Y% u2 R T( w. g. P8 H

~, A3 \5 ?9 [( H

#include "iostream.h" % M1 O. @, H \0 W #include "iomanip.h" #define N 20 //学习样本个数 #define IN 1 //输入层神经元数目 & E. x% h/ L. W6 ^/ b, w #define HN 8 //隐层神经元数目 #define ON 1 //输出层神经元数目 / [% ]7 X0 ?* F# Q* X/ o \( D$ g double P[IN]; //单个样本输入数据 5 g$ H& j- C7 f& H: Q- [0 x, G; ` 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 9 L, m5 Q) ? s. N2 M3 Z$ A double X[HN]; //隐层的输入 + `: g' \7 E6 T2 k double Y[ON]; //输出层的输入 double H[HN]; //隐层的输出 double O[ON]; //输出层的输出 / M5 I, G$ O/ `% o 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 double alpha; //输出层至隐层的学习效率 0 K( J0 V# j8 W B double beta; //隐层至输入层学习效率 //定义一个放学习样本的结构 : j/ i$ @7 D( V: G: v8 r struct { : }2 ?- f# j# x8 ^+ z# W" @ double input[IN]; $ c+ M$ E& q" | h- D double teach[ON]; 1 ~9 \# P4 `' E. T }Study_Data[N][IN]; ) K9 ]* y0 O' U- d # i! X5 |8 G% [5 N2 o, Q1 E& o /////////////////////////// 9 o7 J N! j' m6 { //初始化权、阈值子程序///// & g. n& x/ [+ q3 M, a9 b$ u /////////////////////////// 4 t, n- R; X W: p9 E initial() 0 C4 N( k* W+ P- ^( x& j { float sgn; 2 y2 B- C* m! \ float rnd; int i,j; ( ~8 ~ Z4 @& K //隐层权、阈值初始化// { & Q7 ]; f4 O# p% Q //sgn=pow((-1),random(100)); ) j; L, C2 p1 d5 v% \3 B; ^ sgn=rand(); rnd=sgn*(rand()%100); W[j]= rnd/100;//隐层权值初始化。 ! Y. D4 O3 \- U5 V; W9 B$ v& T4 M2 k } $ \9 x; z# C6 `" ? //randomize(); # M+ u m: g5 g4 V& B5 M0 X { 4 i- r' ~6 U7 B% I/ J //sgn=pow((-1),random(1000)); sgn=rand(); rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 3 j6 i4 p5 O; L: ?) ]) h: [ cout<<"sita"<<sita[j]<<endl; } ; y7 K6 [- s- A W6 } //输出层权、阈值初始化// 2 \& s& w- g: Q4 n //randomize(); for (int k=0;k<ON;k++) ! H, e2 q2 X9 j/ _) q- m% \ for (int j=0;j<HN;j++) { 2 T6 N6 p( g0 s; P //sgn=pow((-1),random(1000)); sgn=rand(); " A+ H7 T+ @3 [# ] rnd=sgn*(rand()%1000); & O7 J0 }: T; Q- K% n: O. ] V[k][j]=rnd/1000;//第m个样本输出层权值初始化 } //randomize(); $ M- j4 I8 I% g& N( \( P& | { # x& }4 t! b1 V, I: i/ I: I //sgn=pow((-1),random(10)); sgn=rand(); rnd=sgn*(rand()%10); . b! G# c# c8 K, G; F. j gama[k]=rnd/10;//输出层阈值初始化 cout<<"gama[k]"<<endl; * p' n/ c0 c: ?5 ^ } ) ~. [6 D [. o. R+ }% |1 k2 H. p return 1; }//子程序initial()结束

//////////////////////////////// 7 \0 a6 S8 q0 D0 n5 Q9 | ////第m个学习样本输入子程序/// 0 E; I0 [9 ^9 l& S( p# X /////////////////////////////// ! a/ o2 H& l6 D1 s, n! Y2 A input_P(int m) { for (int i=0;i<IN;i++) ' g9 c9 Q# |, b* z$ t: [7 \0 ` P=Study_Data[m]->input; . h" o$ n$ i N. d //获得第m个样本的数据 //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： * _0 L7 E# W6 Y X+ [( p //P[%d]=%f\n",m,P); return 1; i z- R, Q1 Q/ x0 L8 W6 ^ i" C }//子程序input_P(m）结束 * g/ }1 H3 T7 L ///////////////////////////// * w, j& {+ J* f3 d- T2 @8 | ////第m个样本教师信号子程序// ///////////////////////////// % H- x0 w9 W7 E1 c# c) k1 \! [ input_T(int m) { for (int k=0;k<m;k++) T[k]=Study_Data[m]->teach[k]; ! C# G/ K1 ~$ W //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); return 1; ( m# {6 d+ l! B) ^2 F! c }//子程序input_T(m)结束 8 w% G1 J* K% w% u8 { ///////////////////////////////// //隐层各单元输入、输出值子程序/// 3 i4 D+ H% y$ N' h1 U ///////////////////////////////// 0 X) p7 {) b3 p* Y9 b( b9 E- L H_I_O(){ double sigma; ! |6 Z& J9 _6 o- u# |4 z" `6 Q int i,j; for (j=0;j<HN;j++) 6 D# h& r* n) F* @/ g sigma=0.0; ) H0 X3 H! _* Q1 V& j3 \4 G for (i=0;i<IN;i++) sigma+=W[j]*P;//求隐层内积 % H( Q3 I7 U' s6 h% L( O9 c } X[j]=sigma - sita;//求隐层净输入 # I2 o0 L8 H0 n& w) U: D' @ H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 + @3 V V( D; P1 ~8 Y# K } [+ S+ X+ s" e8 b" w2 S Y2 [ return 1; 2 d. e/ x9 `7 t5 \8 X }//子程序H_I_O()结束 /////////////////////////////////// //输出层各单元输入、输出值子程序/// 9 h1 B l h. N6 H& q7 T$ Y' j /////////////////////////////////// O_I_O() 9 Q3 R, M/ a3 {9 A: L# E, \ { double sigma; ) E/ ^! y* b$ {- c/ n( u0 F for (int k=0;k<ON;k++) sigma=0.0; . G4 ~% H3 j4 L6 [, ^ for (int j=0;j<HN;j++) sigma+=V[k][j]*H[k];//求输出层内积 } ( W; A6 Y& W6 q! n1 Y8 j1 M Y[k]=sigma-gama[k]; //求输出层净输入 ; u6 n$ _+ H7 ~ O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 ' \0 g+ U7 e- H8 R& f* P1 l } return 1; }//子程序O_I_O()结束 //////////////////////////////////// //输出层至隐层的一般化误差子程序//// //////////////////////////////////// double d_err[ON]; Err_O_H(int m) 0 p9 g& E, k8 g% j$ c { double abs_err[ON];//每个样本的绝对误差都是从0开始的 . ~" ^) r \% v 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??? 2 ?- {) _1 _# v for (int k=0;k<ON;k++) 1 z, M* H: Q b8 c5 d 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 9 D9 y' \5 |4 b } 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 //////////////////////////////////// # W) |4 Y/ r, U. S7 z4 n2 _) L //隐层至输入层的一般化误差子程序//// //////////////////////////////////// % V+ o+ i0 W. \( W( l! S- k7 X) D double e_err[HN]; Err_H_I(){ 7 n7 C; ^- P H4 t4 {6 b/ b7 Q double sigma; ( i; Q: f& R/ k4 B //for (int hidden=0;hidden for (int j=0;j<HN;j++) " Q& c; g% ^9 t: R! G" {- N sigma=0.0; % O B9 H! P/ n0 R9 m for (int k=0;k<ON;k++) ' o6 v0 h3 W! U4 y8 K9 s sigma=d_err[k]*V[k][j]; , b5 ?1 P6 W0 c( U+ ]) t, k } 7 \2 u+ w6 |* u7 ~ e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 } 2 ?. Q4 k' Y1 H8 |7 y return 1; K/ z, m, ]! p: J }//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////// //////////////////////////////////////////////////////// Delta_O_H(int m,FILE* fp) 3 C- G3 s" o6 ?; b- u% y8 ^ { / M6 }* A( A% E1 w3 } J for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) //cout<<"第"< 6 w' T. W7 z6 P/ K" g. r8 hfprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,W[k][j]); % D7 g8 [, @" P6 U' _ 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 } return 1; 2 S& @* q$ ^5 [3 B1 n }//子程序Delta_O_H()结束 ///////////////////////////////////////////////////// & Y2 v4 K8 b5 E) w //隐层至输入层的权值调整、隐层阈值调整计算子程序///// ' I: b# P) T7 ~( g# v4 |0 ]3 M+ d8 W ///////////////////////////////////////////////////// / i9 o. B4 T" t: | Delta_H_I(int m,FILE* fp) { for (int j=0;j<HN;j++) : b& |+ f0 a' N) O/ q" r3 V 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- [6 R' L) Z- ]- ]. K W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 B: Y# a/ ?% E4 k } , w3 \1 S4 [: m L sita[j]+=beta*e_err[j]; : U8 C) r& A" g& v5 h" v1 \ } 5 x2 ]0 o. s+ \ ~) | return 1; 3 @1 O+ t3 X/ o9 \ }//子程序Delta_H_I()结束 ///////////////////////////////// //N个样本的全局误差计算子程序//// * ?/ } C2 ^5 A6 l6 z$ z1 T$ V ///////////////////////////////// ( W% Z% X0 e) l1 F- q& `; {4 y+ y double Err_Sum() 1 ?. D, h% M0 o r1 L { % Q, y. t K6 l; b double total_err=0; for (int m=0;m<N;m++) $ [' Y8 c4 G6 a1 X) s7 v! a( K; X total_err+=err_m[m];//每个样本的均方误差加起来就成了全局误差 " |" ~- l* d# H) {! O) I1 F } : x9 J* }8 N. z6 h$ P: V( c return 1; % X" O, A- V6 a3 S P1 R+ |% [; k }//子程序Err_sum()结束 # C$ X* K5 W! j) U, o /**********************/ /**程序入口，即主程序**/ / _8 [# G+ `/ u ~0 T1 l /**********************/ main() % H7 q4 ~- J. u5 Q; u. t, [5 V( M { 0 N8 X4 _+ t0 K n7 L$ C* Q$ x FILE *fp; * t) C; O: j+ G- u) h1 g" ]: d e% h double sum_err; * n+ J4 \& P% x2 T% o& T+ K( Z# d int study;//训练次数 if ((fp=fopen("bp.txt","a+"))==NULL) N- d) T3 _/ y* U( F1 | { ( L1 O+ b: E% r3 p& m printf("不能创建bp.txt文件!\n"); ; M e5 |* I X; c exit(1); } cout<<"请输入输出层到隐含层学习效率: alpha=\n"; % w; X. N) u8 S8 }# a cin>>alpha; cout<<"请输入隐含层到输入层学习效率: beta=\n"; cin>>beta; 4 o% F, z$ @! v& ]9 Q2 |) z 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"; cin>>re_error; B8 Q+ U% X% N0 R& _) ~2 p int Pre_times; cout<<"请输入预定最大学习次数re_times=\n"; cin>>re_times; ! G* ?2 y* S; A& i8 D cout<<"请输入学习样本数据\n"; * I1 A& R9 e9 Q2 t4 u { 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++) cin>>Study_Data[m]->input; 1 R) v* ^! l. c' ` } 2 E; E3 a% {, N) s5 p { for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组教师样本"<<endl; for (int k=0;k<ON;k++) ( ~) P6 \. b* u( U cin>>Study_Data[m]->teach[k]; } 8 K8 C% Y- N- [$ @) \5 K5 k; a' K9 | initial(); //隐层、输出层权、阈值初始化 (1) , X h+ {' Y1 |' p6 [/ s do * g p2 w0 G- b2 y- V$ M { & _( M3 _8 O% t+ _9 j ++study; ///??? for (int m=0;m<N;m++) { input_P(m); //输入第m个学习样本 (2) 7 A- u) c& [4 k' ^5 ?9 \; H input_T(m);//输入第m个样本的教师信号 (3) 2 I4 S3 K' y% ?, g. x: Y$ P H_I_O(); //第m个学习样本隐层各单元输入、输出值 (4) 3 Q' y8 p5 ^) d% b& K3 t 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) Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (7) / ? w8 K. \$ k( a 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) 4 G' C7 K9 K. c; ^1 ]& r } //全部样本训练完毕 sum_err=Err_Sum(); //全部样本全局误差计算 (10) { 1 _& {4 W4 D; z- A0 \/ c1 G2 { cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; / k3 ^. j. t2 I0 p6 a( ? fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); ; Y) j2 h# H. {2 X5 u } 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) . ?, J. }. a6 E* `) ]6 O# a; k 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); 0 m' Z/ @) K- u/ O fclose(fp); , a0 d# f: r) Z4 s& L } * ^1 t E0 _7 U u& w3 E char s; cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; return 1; 6 t& l. t4 A; G( P }

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

chz0829

看不懂