[转帖]C++的BP算法源程序

ilikenba

& s: W" {5 r' Y+ G5 i

#include "iostream.h" #include "iomanip.h" D5 r$ N) `8 [) ?2 [2 i% z' H; q #define N 20 //学习样本个数 / f3 t, H. f/ y# }2 a #define IN 1 //输入层神经元数目 . C5 @# r3 b' F) Q% r #define HN 8 //隐层神经元数目 $ U2 Y; U' W! U* ?" w5 @" w8 @ #define ON 1 //输出层神经元数目 9 t7 a! |- }, W3 p Z. c) Q$ I double P[IN]; //单个样本输入数据 ) |( F4 F& `: l x2 l& q3 ` double T[ON]; //单个样本教师数据 double W[HN][IN]; //输入层至隐层权值 9 H& P$ p" N, ?& y1 _2 x+ [5 e double V[ON][HN]; //隐层至输出层权值 double X[HN]; //隐层的输入 m: {2 \- Q& O3 W+ |% h 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 3 G* l$ |$ m/ A) |3 p double sita[HN]; //隐层的阈值 double gama[ON]; //输出层的阈值 : i0 V' v9 t6 r" a! c( ^( o double err_m[N]; //第m个样本的总误差 & ?: j& ]( v4 A8 z1 ]$ u double alpha; //输出层至隐层的学习效率 double beta; //隐层至输入层学习效率 //定义一个放学习样本的结构 * f7 ?1 b, g8 O/ X! y5 o8 `1 m struct { 2 l2 z5 g1 y2 U/ Q; W Z double input[IN]; double teach[ON]; 8 o6 c% L0 S. {4 P8 [' n }Study_Data[N][IN]; 3 ~$ J) u1 W+ l" {8 N, C$ B & j. K# ~" \5 F8 y G( z /////////////////////////// //初始化权、阈值子程序///// /////////////////////////// initial() { float sgn; float rnd; int i,j; * f" I2 v0 G9 }( U$ p: a //隐层权、阈值初始化// { //sgn=pow((-1),random(100)); sgn=rand(); rnd=sgn*(rand()%100); * E" ^3 @% Z/ w) Q0 ~: G7 ^ W[j]= rnd/100;//隐层权值初始化。 # g1 H q5 H2 U$ g% f } " Z1 e9 t1 e- k+ I1 N //randomize(); { r' j# T8 S1 ]2 L; Q1 K //sgn=pow((-1),random(1000)); : j. g" m. [: g! B, O sgn=rand(); rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 2 |0 M2 X0 k/ ~& \4 f$ y3 @: G7 q! s cout<<"sita"<<sita[j]<<endl; 7 W" z1 z' ?" K; ^$ w9 @$ s1 ^ } //输出层权、阈值初始化// . s4 O7 U) U! s; {. T //randomize(); for (int k=0;k<ON;k++) 6 m: U* P( O4 q$ C5 R. d. B for (int j=0;j<HN;j++) 4 \" d, K4 d; D. }; X# n! H( ?5 r { //sgn=pow((-1),random(1000)); sgn=rand(); rnd=sgn*(rand()%1000); V[k][j]=rnd/1000;//第m个样本输出层权值初始化 7 A2 z( p6 }: q* j5 x } : z& `& D: W# J0 N# X //randomize(); & D( ]2 X$ Q( n/ d9 z1 { { & V5 e2 B3 D0 u6 Z, m. k //sgn=pow((-1),random(10)); sgn=rand(); rnd=sgn*(rand()%10); gama[k]=rnd/10;//输出层阈值初始化 ) \+ R, g5 u) } cout<<"gama[k]"<<endl; } $ O' a- m( h3 M5 E7 z. t: e/ x' A return 1; 3 A4 l: _% {) x, I }//子程序initial()结束

//////////////////////////////// u3 Y( X& f' _% P, Z ////第m个学习样本输入子程序/// : a0 z9 P( V: E5 F+ z. L /////////////////////////////// input_P(int m) * ?4 S9 N- n3 A( d) k u8 a) z3 y { % D* ^3 w4 r# {9 c m for (int i=0;i<IN;i++) P=Study_Data[m]->input; //获得第m个样本的数据 //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： //P[%d]=%f\n",m,P); $ T! E' J. a5 Y& y" @$ j' T( ] ? return 1; }//子程序input_P(m）结束 ///////////////////////////// " i. e0 K3 K! O/ `5 d+ H ////第m个样本教师信号子程序// ///////////////////////////// 8 n8 `2 E' I6 C input_T(int m) { " r7 S, E1 f! Y P) [ V( p for (int k=0;k<m;k++) ' S- f" _/ I6 w( }+ ` T[k]=Study_Data[m]->teach[k]; : d. k: G! z# T: Z+ ? //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); ' L8 u+ s! a# s* g2 U# p return 1; & y+ Z1 S+ }6 g1 j: p2 C2 X }//子程序input_T(m)结束 ///////////////////////////////// //隐层各单元输入、输出值子程序/// 8 p: Z+ }7 k0 Y: ^$ J, Y A2 o! s ///////////////////////////////// % F, o1 D7 B* X1 ], J H_I_O(){ double sigma; int i,j; 2 F D3 `+ Y/ `& w. h/ k( G+ T8 k for (j=0;j<HN;j++) sigma=0.0; for (i=0;i<IN;i++) 9 } G5 ]0 {$ `/ ~8 I; h+ F sigma+=W[j]*P;//求隐层内积 p; I5 y/ N1 C: h+ Y } 4 z) u4 ^6 u* I) @! {# w, v X[j]=sigma - sita;//求隐层净输入 4 i4 |4 X- w- K2 G% A8 w4 @ H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 ' q9 a" l J2 A% V, r( W } # {' Y7 D$ J+ ~# E9 O, z return 1; }//子程序H_I_O()结束 0 t2 j- W; q$ c- d /////////////////////////////////// * c2 b2 o# [0 H6 M6 r( Z //输出层各单元输入、输出值子程序/// /////////////////////////////////// O_I_O() 8 [. [9 R4 U$ l5 G6 t { # E! i! _, H4 {4 Q- j: H6 L- P ^( c double sigma; for (int k=0;k<ON;k++) sigma=0.0; ( ^' \( d [4 k' o/ w2 s for (int j=0;j<HN;j++) sigma+=V[k][j]*H[k];//求输出层内积 ; k" q3 N" ~' [% ]$ ? } Y[k]=sigma-gama[k]; //求输出层净输入 O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 ' _! H/ S: c( \( G9 s7 ?* n: v } return 1; }//子程序O_I_O()结束 \+ o2 ?- M& |, I' H) z //////////////////////////////////// //输出层至隐层的一般化误差子程序//// //////////////////////////////////// double d_err[ON]; Err_O_H(int m) % i& X0 F5 V" N { 2 @& x0 N. H; }7 C double abs_err[ON];//每个样本的绝对误差都是从0开始的 / d. z! m! @& T% k double sqr_err=0;//每个样本的平方误差计算都是从0开始的 + k; T, j1 g/ S! K, W //for (int output=0;output<ON;output++) //output??? * w$ Z% R( J- H) R/ b- r# E for (int k=0;k<ON;k++) abs_err[k]=T[k]-O[k]; 1 g! {6 M/ b. F1 I7 d. ~ //求第m个样本下的第k个神经元的绝对误差 ) Y1 |5 }* e+ F: b7 n sqr_err+=(abs_err[k])*(abs_err[k]);//求第m个样本下输出层的平方误差 ' R* y5 v. D: w 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 , A: H$ \" W5 m; g! u //////////////////////////////////// , F6 s$ e1 r4 K1 v4 `3 I6 { //隐层至输入层的一般化误差子程序//// K' X( j$ W) c! F% B0 y9 P2 c //////////////////////////////////// 8 O; ? x0 b; U3 l! y' H6 R9 N- M double e_err[HN]; Err_H_I(){ double sigma; //for (int hidden=0;hidden for (int j=0;j<HN;j++) sigma=0.0; . ^& q$ d9 F$ q r8 N for (int k=0;k<ON;k++) 8 X. T- v6 M* w sigma=d_err[k]*V[k][j]; } 9 }% J; Q. d; i5 H8 B e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 $ ~7 r& p) x( F3 n* J! j& | } , M0 C0 ]( m; `. L return 1; ! d$ I+ `0 x2 {8 ^ }//子程序Err_H_I()结束 * [6 z0 t4 z2 {! _. R1 l //////////////////////////////////////////////////////// 6 e; G- k0 I4 \' m% w) R //输出层至隐层的权值调整、输出层阈值调整计算子程序////// 4 a( O" [% }% d3 \* B3 T+ p2 O& Q //////////////////////////////////////////////////////// ) k1 i0 c0 @6 \$ k# j+ j: l! o# [# ? Delta_O_H(int m,FILE* fp) . |1 q \2 J' g! s7 f { for (int k=0;k<ON;k++) ! E# K9 H+ r. [9 ^1 ~ for (int j=0;j<HN;j++) / i$ S6 f: q4 O' i4 t% j$ r //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]); V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 4 s& t$ i- u3 K; f } gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 ' Z6 }6 ]: v3 n$ B6 y: L6 W } return 1; % L. g+ Y B3 C% V }//子程序Delta_O_H()结束 ///////////////////////////////////////////////////// //隐层至输入层的权值调整、隐层阈值调整计算子程序///// ///////////////////////////////////////////////////// + I: {7 D" A3 d$ y& O; D. d Delta_H_I(int m,FILE* fp) { & M. ]1 r, ?6 f+ s4 q& e" c( w0 l) O for (int j=0;j<HN;j++) for (int i=0;i<IN;i++) 1 b3 o" I2 F7 {4 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]); ) \5 ?1 @1 f# g W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 } 0 u3 L3 L% g* \$ D sita[j]+=beta*e_err[j]; } return 1; }//子程序Delta_H_I()结束 ; Y- r! k9 W3 h- E, q ///////////////////////////////// ' W! _! G q/ Y2 g4 z1 \ //N个样本的全局误差计算子程序//// ///////////////////////////////// 9 F7 U/ L; L+ F8 S- Q o double Err_Sum() { 9 ? r& b$ m9 C8 @$ ~ double total_err=0; / {8 N" D4 n9 n1 P. `) ^/ T6 ] for (int m=0;m<N;m++) % d. r+ a& c& K( e6 g O6 w total_err+=err_m[m];//每个样本的均方误差加起来就成了全局误差 } . M+ I5 n x4 ?1 `' r# j% f return 1; ( a8 L- q+ `6 e L5 } }//子程序Err_sum()结束 # O1 R0 y$ m# J; w- i( s& q /**********************/ /**程序入口，即主程序**/ / I3 A+ T/ C. ], [7 l6 J /**********************/ ! {0 }9 K/ c6 }: n# U main() { % L+ J M: i3 q6 {3 W( K2 C FILE *fp; double sum_err; ( P; r; O1 q3 U" K int study;//训练次数 ; [: e: d4 [; z w" Q7 K3 d% t if ((fp=fopen("bp.txt","a+"))==NULL) 2 t) L' X6 l1 o9 U { printf("不能创建bp.txt文件!\n"); $ x4 M* k$ Q+ |, _( [ exit(1); 1 Q7 p7 x1 x+ b$ j7 C' G) U: z, I4 f } 2 N2 ?; }* w" u1 |+ }6 Z 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"; # ^6 R: |5 W+ H z5 w( c0 N* T cin>>beta; int study=0; //学习次数 J, x) d1 r2 d) p" \ double Pre_error ; //预定误差 cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; + w4 V4 ?) |- ]7 v; G* N6 ] int Pre_times; cout<<"请输入预定最大学习次数re_times=\n"; cin>>re_times; ' T/ x* o( H, q cout<<"请输入学习样本数据\n"; 2 O) L! F) `1 B1 n# U1 H { for (int m=0;m<N;m++) 0 e' p6 d+ ?7 a# x3 n0 ]) r3 n 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; } { for (int m=0;m<N;m++) 6 w; g/ ]1 S2 S! ^ H# c! r cout<<"请输入第"<<m+1<<"组教师样本"<<endl; for (int k=0;k<ON;k++) cin>>Study_Data[m]->teach[k]; / \1 f1 E: t W j4 w2 n/ g } 5 E2 N8 H5 G: i% u1 F1 p5 M0 h' I X initial(); //隐层、输出层权、阈值初始化 (1) h6 X) o H9 A0 h( D( z do { ++study; ///??? % n- x/ S3 _ s {; c3 R- l# a, | for (int m=0;m<N;m++) ! z8 l8 I% [* l9 L0 q8 r# m/ d3 ? { ) h: f' ^- N6 r1 ` input_P(m); //输入第m个学习样本 (2) 2 V8 K) ^0 L* q input_T(m);//输入第m个样本的教师信号 (3) $ p- r! c# Q# G9 k 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) 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) 0 e3 }. O1 p6 D1 G$ k0 u. l 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) 8 T6 r p8 N- S 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) { 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); } while (sum_err > Pre_error) //or(study , p7 ?/ a* i" M+ G { //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); 1 f' u# c* ]+ l- s } char s; 9 G/ [* l2 X: W8 o cout<<"请随便输入一个字符，按回车退出程序！\n"; 1 }( i, Q) _* ], D, R1 ~$ w cin>>s; ' U5 a4 H0 x: f* X1 g/ C return 1; }

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