[转帖]C++的BP算法源程序

ilikenba

#include "iostream.h" ) j! ]) b* f7 s+ u) @ #include "iomanip.h" #define N 20 //学习样本个数 % }( l. }: a+ G+ q; V9 k #define IN 1 //输入层神经元数目 ' |4 d8 [( X: e' K, U( J #define HN 8 //隐层神经元数目 4 s0 D u8 _* N #define ON 1 //输出层神经元数目 double P[IN]; //单个样本输入数据 7 S: v+ }- F* a$ d double T[ON]; //单个样本教师数据 ) u2 \7 d. M# j5 @ double W[HN][IN]; //输入层至隐层权值 $ ~' q3 ]$ C! |) F5 [: o& G 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 double H[HN]; //隐层的输出 / O6 K5 B, u' X0 A- i" K double O[ON]; //输出层的输出 : N- x8 S1 p3 ] 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 % ]. {$ o6 ]5 z& p5 {/ X# h) Y6 O double alpha; //输出层至隐层的学习效率 # b4 `- `" w6 ]# B* w; s2 N, G double beta; //隐层至输入层学习效率 //定义一个放学习样本的结构 2 t) n: i# a; v9 w struct { double input[IN]; double teach[ON]; }Study_Data[N][IN]; 9 X3 ?: f5 J$ Z9 {% v /////////////////////////// //初始化权、阈值子程序///// /////////////////////////// initial() / x# f$ x$ x, j1 @# \. q& ` { * Z% O! g2 s8 y8 h9 _ float sgn; float rnd; int i,j; . z: e% t0 R7 P8 m# q- |) ` //隐层权、阈值初始化// : H% T+ S5 j ^1 W$ j9 G { 7 D* x# z( k {$ _/ \ //sgn=pow((-1),random(100)); & O7 D, c. |( `. J3 {0 I& ]8 J* ] sgn=rand(); 7 [$ `6 G, Y& f& L/ D! f5 c rnd=sgn*(rand()%100); + c8 ^* t6 q1 e& X; M; t W[j]= rnd/100;//隐层权值初始化。 } $ l8 n/ i6 l# D5 q3 `5 K" J+ U% | //randomize(); { //sgn=pow((-1),random(1000)); + |4 t& [. Z8 c; t; o4 D: l sgn=rand(); % |9 N. W7 {2 W) S rnd=sgn*(rand()%1000); 2 `" Y) y) f1 B- S4 F" n1 W1 ` sita[j]= rnd/1000;//中间层阈值初始化 cout<<"sita"<<sita[j]<<endl; 4 e& @7 }& D& G7 ~( r9 ~ } //输出层权、阈值初始化// 4 B- T5 B4 `4 Z9 ~/ T //randomize(); for (int k=0;k<ON;k++) + v# O$ Y; L& I% x& g for (int j=0;j<HN;j++) # \% ^8 ~# p1 d { //sgn=pow((-1),random(1000)); ( {' L, f# h/ h4 z sgn=rand(); rnd=sgn*(rand()%1000); - ^; ~/ Q5 L' g# x6 G, l/ ]% n V[k][j]=rnd/1000;//第m个样本输出层权值初始化 & J9 z9 D% k3 z* U" M# w } 5 R( \& F. {) j5 W. T2 s. i //randomize(); { 2 D3 A2 q! c/ D8 f$ ] //sgn=pow((-1),random(10)); sgn=rand(); ) V* f* J& D9 u& b rnd=sgn*(rand()%10); 5 S4 L. \0 K- f( ~8 p8 c+ O! Z gama[k]=rnd/10;//输出层阈值初始化 cout<<"gama[k]"<<endl; } return 1; $ }; Q. W* ^7 ?' R1 ?8 Z' t }//子程序initial()结束

5 [' M. j' C. S- v# w3 u; f

//////////////////////////////// & G6 `1 J" G+ _ ////第m个学习样本输入子程序/// 3 O1 G- T( E3 G& x* l4 [ /////////////////////////////// input_P(int m) ) o3 S: t' S4 q& D; F! D2 @: ` { . J1 j! v' Y% w8 E# e for (int i=0;i<IN;i++) . H; u1 G) Z9 g, ] P=Study_Data[m]->input; 2 t, F( y3 ]( k) j2 f1 W/ C# U //获得第m个样本的数据 # u9 ]2 { ~/ z5 ?1 f //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： ) C6 ]* Y5 K+ k$ w% n" v4 } //P[%d]=%f\n",m,P); 9 {) J3 m1 J, Y2 u% R2 Q return 1; }//子程序input_P(m）结束 ) e# N- S- g- T ///////////////////////////// 5 h' s8 `) K) y) p7 X" ` ////第m个样本教师信号子程序// . q7 h9 h# k7 r% u- m ///////////////////////////// $ x. V+ C. [: T: U4 t1 {! ] input_T(int m) `6 t' Z) ^) }2 j# ~& s' f { for (int k=0;k<m;k++) T[k]=Study_Data[m]->teach[k]; - ^ R- |5 A& S' A, Z' E9 d //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); 9 c# U8 H8 v- ]7 w/ i, |. w return 1; . C$ V N6 d4 d7 n, a0 E }//子程序input_T(m)结束 ///////////////////////////////// //隐层各单元输入、输出值子程序/// $ c6 Q& \ W! M. [ ///////////////////////////////// H_I_O(){ double sigma; int i,j; # b" _/ O9 ^# n* B5 V9 H for (j=0;j<HN;j++) sigma=0.0; + n- l1 r) r: X( Z0 N for (i=0;i<IN;i++) sigma+=W[j]*P;//求隐层内积 . B- g! X/ D: |6 H! s! Z } X[j]=sigma - sita;//求隐层净输入 / @$ H9 C) G8 m H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 $ I- R; M3 S& d% f/ \ } return 1; }//子程序H_I_O()结束 /////////////////////////////////// //输出层各单元输入、输出值子程序/// , s# q V5 ?* f& K /////////////////////////////////// ! C t G* c# W( F4 U O_I_O() 9 I( G0 [) V. B+ Y. h+ {0 N2 n$ [ { 5 w Y2 q3 l9 e/ C double sigma; - \2 M& y. o Y) v+ i for (int k=0;k<ON;k++) sigma=0.0; 1 B) u. J8 k1 a4 h for (int j=0;j<HN;j++) 2 p+ k9 Y5 L0 u+ g O3 o; _ w sigma+=V[k][j]*H[k];//求输出层内积 # V6 v% Y1 ?6 h4 T; q% } } Y[k]=sigma-gama[k]; //求输出层净输入 , o, x' j2 F/ Q/ V5 q# _3 Q2 a O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 } , t- y- z T5 U5 a1 P7 R return 1; ; a0 ^( w: O& l Q$ P3 c3 F% y$ t }//子程序O_I_O()结束 //////////////////////////////////// //输出层至隐层的一般化误差子程序//// ( Y4 n: p, \7 A3 n; k/ k7 P( p //////////////////////////////////// double d_err[ON]; Err_O_H(int m) % _1 b9 }/ ]9 l l1 O { $ `( R+ O8 P- Y0 O1 j& A double abs_err[ON];//每个样本的绝对误差都是从0开始的 - Y; w! u+ f9 f0 i/ \: I- @% T double sqr_err=0;//每个样本的平方误差计算都是从0开始的 4 a: ]3 W" x0 k+ @ //for (int output=0;output<ON;output++) //output??? 5 F5 L& h/ \$ f" @, j for (int k=0;k<ON;k++) 3 s& M. e/ Z* p 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 6 h Y7 R" o" V( ?( q% [ 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; 2 A9 w1 h9 J+ \% M) O }//子程序Err_O_H(m)结束 ! Y+ C: {. U) d; J+ Z' U& o4 L //////////////////////////////////// //隐层至输入层的一般化误差子程序//// //////////////////////////////////// 0 h. v2 l- Z( U6 A double e_err[HN]; 1 l$ w7 O( G0 }% H5 [+ W* O Err_H_I(){ double sigma; / y2 B* m0 m. i( e v //for (int hidden=0;hidden ! F; Z! p" N1 T/ t+ m for (int j=0;j<HN;j++) sigma=0.0; 4 ]6 {% g4 Z0 c7 h" X' H Z) a for (int k=0;k<ON;k++) ; p h8 l* o) g d/ r2 n' B sigma=d_err[k]*V[k][j]; 0 l( m t6 K: ^ } 6 C) f8 x7 l( r1 T1 t e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 6 k" K* X: [, z+ x) c& A/ Y0 l } * R7 Q. K; \) i return 1; ! K' v5 v6 Z L0 E- a5 [8 G, v }//子程序Err_H_I()结束 \$ w/ i. Q/ h( x( v% i; I //////////////////////////////////////////////////////// //输出层至隐层的权值调整、输出层阈值调整计算子程序////// ! Y' w F! S+ [ //////////////////////////////////////////////////////// Delta_O_H(int m,FILE* fp) % y. P: ?: F( u6 h5 `- \: a+ N0 E { for (int k=0;k<ON;k++) 6 J2 V9 V9 S) a+ O: J& n+ u for (int j=0;j<HN;j++) //cout<<"第"< & c/ r/ T+ ~; gfprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,W[k][j]); + }% R: L. F; @ V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 5 K5 j, }* Y& V3 w& u } gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 ' U" Z/ x! s0 Z! `( m0 \9 E } 0 F% W1 ~) Z4 s& m return 1; }//子程序Delta_O_H()结束 ///////////////////////////////////////////////////// 2 E! M7 _ Y2 B# w. L: H //隐层至输入层的权值调整、隐层阈值调整计算子程序///// 1 t9 Q d. W/ Y7 x ///////////////////////////////////////////////////// Delta_H_I(int m,FILE* fp) $ ^& g& k% [; c { % x7 p' C4 d7 [% h- \ for (int j=0;j<HN;j++) for (int i=0;i<IN;i++) ; L1 X" ?- S6 ~9 B& W //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]); 1 p8 o- l' ?9 Y# V; l& I9 B4 x W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 } sita[j]+=beta*e_err[j]; E- F8 N$ z8 y Q5 g$ z( m0 E } ! I2 _6 k- T* X0 g; `/ Q& {' O( ~7 _ return 1; 4 W |" p5 T% i9 W* e/ x- t% j. A# ^ }//子程序Delta_H_I()结束 ' o: i8 o3 ^3 A' G- H0 V" ^ ///////////////////////////////// //N个样本的全局误差计算子程序//// 1 `6 S$ x4 U6 p# Q, M# V% P: [1 f0 A1 y ///////////////////////////////// double Err_Sum() 1 l6 K% E' I4 s f { double total_err=0; 7 q2 E8 o& ^/ ]0 \- Y2 S for (int m=0;m<N;m++) 4 n# @7 T! a5 r 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; ) y5 h! J* O; e2 [ }//子程序Err_sum()结束 ) L$ G) I2 u" H! z- R8 m' \ /**********************/ 9 Z9 G5 r2 o" `: Z& V- ` /**程序入口，即主程序**/ /**********************/ 4 w3 d' ^/ Y, [9 \ main() 8 ~) n7 C# n/ w6 [ {1 d# _# N5 l/ i1 W { 1 I4 m" `& ]8 h' p/ a# O FILE *fp; " U( }) r$ }+ ?! T" y3 q6 w double sum_err; * W2 ^$ A, B' T: h. Z int study;//训练次数 if ((fp=fopen("bp.txt","a+"))==NULL) 1 y/ Z* E9 u; [% j1 ^; k { + n# z& c5 j3 m1 h printf("不能创建bp.txt文件!\n"); exit(1); 2 l3 U, T/ ?( A; l% r } * t" M+ T2 z# _2 i, O2 _7 V 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"; " o4 r% x( ^3 D cin>>beta; int study=0; //学习次数 double Pre_error ; //预定误差 0 ^, p' x$ K4 s/ q& R5 o cout<<"请输入预定误差: Pre_error= \n"; ; c6 w% S, W6 O8 K cin>>re_error; int Pre_times; ' I. R- {4 _4 r6 C( t 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"; ! T& V( u1 t' k4 t { for (int m=0;m<N;m++) 1 I/ y2 U" h; j8 y6 U cout<<"请输入第"<<m+1<<"组学习样本"<<endl; " w8 M. @) g- V6 V9 ]0 V for (int i=0;i<IN;i++) $ q; M/ V! I( a& [& Q# n' i% V cin>>Study_Data[m]->input; } 9 ?% g3 t) g& a$ i8 i$ _; q { , ~1 ~ M$ `# A* _/ o for (int m=0;m<N;m++) & X" [3 N7 ~; b! q1 H5 `: A cout<<"请输入第"<<m+1<<"组教师样本"<<endl; for (int k=0;k<ON;k++) , O9 ^" Y$ c; d$ o) O+ }8 U cin>>Study_Data[m]->teach[k]; } initial(); //隐层、输出层权、阈值初始化 (1) ! d4 a, V# [# z$ f$ P do 6 v8 a" i+ W# y8 J5 m% J" ] { 1 R; K& u2 Z# }7 O ++study; ///??? + X; c: d' Z. R for (int m=0;m<N;m++) 9 A3 [" \7 A+ u% o1 J { , C) h5 y" U0 f& y input_P(m); //输入第m个学习样本 (2) # {, U3 }1 h6 `( C* N5 Y input_T(m);//输入第m个样本的教师信号 (3) 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) 0 {* ~* V! X- p/ o* X 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) e/ G' C. k& j9 y 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) ( x- A) f+ k* ` m { : j1 i2 e& Y3 b! E3 n 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); - u6 H: v# ], B% o& G. T } 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) 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); {# }: B" n- k' m } 7 a5 x. e0 B; A; V, {: s1 o W char s; cout<<"请随便输入一个字符，按回车退出程序！\n"; 8 A( P- m! n3 @: A' p* N cin>>s; ; C# s& z: i. e# s" _0 ~: c return 1; / g( b7 w# P9 _" ^8 H' R. ~2 }& h }

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