神经网络在R语言 实现

haviet

ti<-proc.time()
; `" A% D- x$ j, F$ _BP_one_output<-function(input,output,m,fth,sth,w,v){
        x<-input;#7*8
        y<-output;#8*1，y为向量，每一元素为一个样本输出值
        theta<-fth;#11*1
- K: @9 }: F* o# M( A        gama<-sth;#标量
* L' v' d& d: G* R, x        if(m!=length(theta)) print("阈值长度错误！")
        x<-rbind(x,t(rep(-1,ncol(x))));#8*8导致x的最后一列为阈值theta的权重
        K<-nrow(x);#8一组样本的维数
7 p. {- D" q" Y        J<-ncol(x);#8一共有多少组样本
        w<-rbind(w,t(theta));#由7*11变为8*11
        v<-c(v,gama);#由11变为12，但请记住：在隐含层增加一个值为-1的节点，但与输入层并未连接
#定义函数f
        f<-function(h) 1/(1+exp(-h));
$ n( i6 }$ Y- t/ C9 V1 r) F        epsilon<-alpha<-0.5;
        N<-0;#重复学习次数的计数
        ei<-as.numeric();#记录每次迭代的平均残差平方和
  b# g& r: ^. W  E        FW<-1;
        while((FW/J)>=0.001){
                Z1<-t(w)%*%x;#11*8矩阵，每一列为一组样本
                Y1<-apply(Z1,c(1,2),f);#11*8矩阵，每一列为一组样本在隐含层的值, a matrix 1 indicates rows,
0 _: T3 S; [9 [2 X- F2 U                                                                                        #2 indicates columns, c(1, 2) indicates rows and columns
                Z2<-t(v)%*%rbind(Y1,t(rep(-1,ncol(Y1))));#8*1向量，每个元素为隐含层对输出层的加权值
5 e# O" m- a7 `8 r& O                D<-f(Z2);#向量，每一元素为一组样本的一个输出值
! G# X" _2 T  ~) K+ D1 b                b<-y-D;
                #J组样本的学习
2 _# z- k6 `9 N! r7 N; |& s1 G) g                #向量，输出层对隐含层的权值的偏导
. T# ?# x" z7 O                FW<-pFW2<-pFW2t_1<-0;
                pFW1t_1<-matrix(0,nrow(w),ncol(w));#矩阵，隐含层对输入层权值的偏导
                for(t in 1:J){
                        B3<-b[t];
& u7 y9 k( h- A0 ~, |# G, o4 b                        FW<-FW+B3*B3;#标量
                        B2<-f(Z2[t])*(1-f(Z2[t]))*B3;#标量
                        pFW2<--2*c(Y1[,t],-1)*B2;#12*1向量隐含层对输出层的权重偏导,此时多了一个阈值项
; |( R8 ~7 W; ~( }: c                        if(t==1) v<-v-0.5*epsilon*pFW2
                        else{
                                v<-v-0.5*epsilon*pFW2+alpha*(-0.5*epsilon*pFW2t_1);
                                pFW2t_1<-pFW2;
5 E, n$ f  m! T; u3 U                        }
5 y* ~, a: J0 z7 v; X: R4 ?                        B1<-diag(f(Z1[,t])*(1-f(Z1[,t])))%*%v[1length(v)-1)]*B2;#11*1隐含层多出来的一个节点即阈值节点并未与输入层相连
                        pFW1<--2*x[,t]%*%t(B1)#8*11输入层对隐含层的权重偏导
                        if(t==1) w<-w-0.5*epsilon*pFW1
                        else{
                                w<-w-0.5*epsilon*pFW1+alpha*(-0.5*epsilon*pFW1t_1);
; \1 |# ^% X# f; {* z9 _                                pFW1t_1<-pFW1;
                        }
                }
1 o! q) u6 M1 z* Q                N<-N+1;
                ei[N]<-FW/J;
        }
        theta<-w[nrow(w),];#隐含层阈值
        gama<-v[length(v)];#输出层阈值
1 S; A, K2 }/ o( k. D/ r) k        w<-w[1nrow(w)-1),];#输入层对隐含层的权重
        v<-v[1length(v)-1)];#隐含层对输出层的权重
; ?1 G4 O# B( p8 o        list(theta,gama,w,v,N,FW/J,ei)
3 T5 Q9 {# P1 u- T* h# B. _' ]$ m}
0 A: Z& U7 g  |0 z& @& X  D9 ix<-cbind(x1,x2,x3,x4,x5,x6,x7);
x<-t(x);
; I2 S; c$ w5 Bhidden_threshold<-runif(11);
) k) G  y' x# A& @# Poutput_threshold<-runif(1);
  p5 A. D) H4 m, h/ W; F0 Pw<-matrix(runif(77),7,11);
v<-runif(11);
result<-BP_one_output(x,y,11,hidden_threshold,output_threshold,w,v);
#输出
cat("\n");
cat("隐含层阈值theta","\n",result[[1]],"\n");
cat("输出层阈值gama","\n",result[[2]],"\n");
w<-as.matrix(result[[3]],7,11);
! l. h- X, q. y5 |  c' G  s; Zcat("输入层对隐含层的权重w","\n");
w;
+ m. w3 Y4 B% pcat("\n");
cat("隐含层对输出层的权重v","\n",result[[4]],"\n");
cat("迭代次数N" ,"\n",result[[5]],"\n");
cat("学习误差FW","\n",result[[6]],"\n");
" t) B" V3 k2 h& _cat("每次迭代的误差","\n");
  @" s- K) Q% n5 c; P, w/ zplot(result[[7]],type="l",ylab="每次学习误差",xlab="反复学习的次数");
proc.time()-ti

廷植斌_972

支持~~顶顶~~~

Esmtih

运行不了啊？

黄窗帘

就看看，不说话。

凌chers

能不能解释一下呢？

兰竹李乐

这牛逼的你自己编的吗