[转帖]C++的BP算法源程序

ilikenba

6 f; K/ b. H" h D" n9 u. G& ]6 R. f

' s }! E6 V2 [7 t# T

#include "iostream.h" #include "iomanip.h" #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 #define ON 1 //输出层神经元数目 + H( [& l! t0 g, d# G' `% |; k9 R& e double P[IN]; //单个样本输入数据 double T[ON]; //单个样本教师数据 4 |# B" @2 f* U2 F( z2 { 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 : a& R3 O5 J% M% Z double Y[ON]; //输出层的输入 3 c: }. Y. D) |8 a5 |% h double H[HN]; //隐层的输出 ' s2 b/ w+ g+ K# A5 { double O[ON]; //输出层的输出 double sita[HN]; //隐层的阈值 9 v+ ?. h8 s! c: f7 p8 N! }7 J 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 double beta; //隐层至输入层学习效率 //定义一个放学习样本的结构 struct { : r9 L8 k9 ~+ ?' A# U double input[IN]; ' }$ W- M) d V" R: U) @ double teach[ON]; }Study_Data[N][IN]; % b3 B1 I# `& I) [' v ! {% C6 y6 H1 x7 n- H /////////////////////////// //初始化权、阈值子程序///// ! U, d' a; ]4 `" n- {; u* K9 v3 ` /////////////////////////// initial() { float sgn; float rnd; $ r3 `0 U7 V; _9 v1 y( Y int i,j; //隐层权、阈值初始化// { //sgn=pow((-1),random(100)); $ B- E r# m; @* m3 }3 ?; [8 N( \ sgn=rand(); rnd=sgn*(rand()%100); W[j]= rnd/100;//隐层权值初始化。 } & Y! w8 c; l8 R# E7 S$ \ //randomize(); { //sgn=pow((-1),random(1000)); : j; C+ |. n) U, t- A sgn=rand(); ) Y8 K- }' M) C+ J7 ?: D rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 + M1 V: }, O; G' W+ f% N cout<<"sita"<<sita[j]<<endl; ! j# Q ]7 g$ u ]: b. [ } - J& K4 w- | v8 m. d: c$ S, f //输出层权、阈值初始化// 2 ]7 |' W1 X& q0 v //randomize(); for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) , d- j4 j) D9 ^1 U. j { I, X$ L- H) d //sgn=pow((-1),random(1000)); $ E! u" O+ c) x; r 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)); sgn=rand(); rnd=sgn*(rand()%10); |/ s1 z* C* g# @+ w gama[k]=rnd/10;//输出层阈值初始化 ; s+ q2 [, h$ q' S cout<<"gama[k]"<<endl; } 7 m1 E% E7 Y) P4 q% D) E return 1; 9 q' p- G' V9 Y8 p/ W( o4 A }//子程序initial()结束

//////////////////////////////// # a6 z' f9 @# i7 I7 V ////第m个学习样本输入子程序/// /////////////////////////////// input_P(int m) 1 Y+ f( \4 g) ?0 l { for (int i=0;i<IN;i++) - U# r/ y5 Z4 h2 @- M 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： + K, M! o! {) K/ Y7 S9 l; G //P[%d]=%f\n",m,P); 7 I% F3 s# s4 H return 1; L5 f& ]- j; z) J7 Z }//子程序input_P(m）结束 * K3 O6 C9 I4 V, l H. C3 w/ u ///////////////////////////// 7 u1 [8 k p+ V; {1 U ////第m个样本教师信号子程序// ///////////////////////////// input_T(int m) . d O6 E9 c7 L' \0 n% {; Z { " f! n6 e; A% | for (int k=0;k<m;k++) T[k]=Study_Data[m]->teach[k]; //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); return 1; 0 @/ h- z: q5 f) c t+ f) x }//子程序input_T(m)结束 ///////////////////////////////// 3 j+ \% `! O8 i$ g5 `4 y //隐层各单元输入、输出值子程序/// b8 O4 s" s5 n0 J# }* c ///////////////////////////////// H_I_O(){ ) b4 W" _! d3 V+ p7 J0 Q2 } double sigma; int i,j; for (j=0;j<HN;j++) 6 H8 ~2 G* T5 ^. \! Z: T) i sigma=0.0; 4 Z3 F$ c; ]: K0 U" ~ for (i=0;i<IN;i++) , P& Y: T" R I+ G' s; x sigma+=W[j]*P;//求隐层内积 } . P4 H A A$ z5 q/ f X[j]=sigma - sita;//求隐层净输入 ' c: a/ d; q0 x8 ]% _( u+ R1 R& P" } H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } ; `5 y" x% e1 T: C return 1; ) o& \4 p- \) _3 q) M; o) B }//子程序H_I_O()结束 ' M8 A9 _, Y& P4 D* c7 g: q: { /////////////////////////////////// //输出层各单元输入、输出值子程序/// 4 ] b# h1 Q4 m4 X8 V6 L/ s /////////////////////////////////// : w' ^8 b, ~+ W3 d3 x+ | O_I_O() 8 P+ b; E8 ]! h% Z" [. W2 z1 m { 2 B( I/ Y" f5 |. ?& J; J' J double sigma; 4 j' O$ R; r; @1 D% {3 m for (int k=0;k<ON;k++) sigma=0.0; ( {; Z R2 q1 @1 E u for (int j=0;j<HN;j++) ' t9 T0 P. R! Q$ E2 l- N& a1 d0 P sigma+=V[k][j]*H[k];//求输出层内积 - F5 C) c1 f% b! f9 \, h } Y[k]=sigma-gama[k]; //求输出层净输入 - F- z F$ f" v# b, ?" j5 p O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 } - d% V, `& j1 ~5 ~. B- h* ^2 ^1 O return 1; * t; R6 Z) _3 r( i' a }//子程序O_I_O()结束 //////////////////////////////////// / o+ B& L0 N5 _0 W //输出层至隐层的一般化误差子程序//// . d! P- H& r m' Q b! ]) m //////////////////////////////////// 2 `% J+ M* K; ]- C J1 }, u& G- v0 U1 t double d_err[ON]; Err_O_H(int m) / P) u$ y0 E' U% q [/ v) P" v1 T6 r { 1 w- C* ?5 Z! A# E! \ double abs_err[ON];//每个样本的绝对误差都是从0开始的 ! p8 k2 a8 M9 s: T1 j# } 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??? 6 ~4 E6 v- j d/ F* y for (int k=0;k<ON;k++) / ^" I% B! }2 ]& h2 N$ _1 [ 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 , I2 t: A/ V" w, D } % ]# }7 O$ }- n+ u+ O8 Q 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; ( N6 f" q: [( \0 N5 O- _* m: v9 s }//子程序Err_O_H(m)结束 $ F; l! U7 m1 j$ b: ]9 T/ M( m //////////////////////////////////// 3 W* L* S6 x: t# \ //隐层至输入层的一般化误差子程序//// # r: w4 L k: `% O7 U3 p0 ^3 P% h //////////////////////////////////// double e_err[HN]; : m; T ?. s0 r& W! V& k Err_H_I(){ double sigma; ) l6 A9 Y" a( P( O9 Q: H' v //for (int hidden=0;hidden , n9 Z# g% {( d+ U for (int j=0;j<HN;j++) ' w9 U4 F3 Y* ] sigma=0.0; for (int k=0;k<ON;k++) sigma=d_err[k]*V[k][j]; } 0 b# Q) M# k: u1 ^5 D' Y! S0 f1 k e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 } , v; G" Z" M; ^' W, y2 q return 1; }//子程序Err_H_I()结束 1 M; A/ p" J- X# h# {- t //////////////////////////////////////////////////////// + e5 M4 c, d) S2 f: x8 T o //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) $ R! P) [9 W4 Y+ W { for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) //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 / w! r' u/ x- u9 X2 C: X- r3 C } 4 b$ r. `+ @9 u gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 3 e3 V% u7 ^% e( e; M# l } 1 z% D1 Z, j2 u1 O- t5 n- p0 t7 h return 1; ! B7 ~, d8 E8 T' {$ I: ^9 U }//子程序Delta_O_H()结束 $ ~! d3 @/ {8 P8 c. m! [5 w ///////////////////////////////////////////////////// //隐层至输入层的权值调整、隐层阈值调整计算子程序///// ///////////////////////////////////////////////////// / l: q, a u6 J" x Delta_H_I(int m,FILE* fp) { 7 u; ^8 f* z) K/ b for (int j=0;j<HN;j++) 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 % ?+ U- S6 ?$ R' d } % \/ b9 ~; ~3 \; }6 p* o( g sita[j]+=beta*e_err[j]; } return 1; 6 n+ a' X3 p1 e; T: b( }/ { }//子程序Delta_H_I()结束 h" G, K1 K l: f: Z1 U: U ///////////////////////////////// //N个样本的全局误差计算子程序//// ///////////////////////////////// ; i& w0 C( V" p! N% l& G double Err_Sum() 5 I. ^! D0 m# f9 u- R T c" _ { double total_err=0; ; ]/ V' r7 Z" u1 P* \2 ~ 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 ! e- Q( A, n. O* U } return 1; }//子程序Err_sum()结束 /**********************/ /**程序入口，即主程序**/ /**********************/ main() { FILE *fp; double sum_err; - o8 z' L+ N& r/ N; Z# D int study;//训练次数 if ((fp=fopen("bp.txt","a+"))==NULL) { 8 W4 x0 N e; `5 I printf("不能创建bp.txt文件!\n"); " }% F9 P7 M) X exit(1); ' r2 _& h/ F; v1 @ } cout<<"请输入输出层到隐含层学习效率: alpha=\n"; 3 b/ b' ^: ^- E1 b7 _! C cin>>alpha; cout<<"请输入隐含层到输入层学习效率: beta=\n"; cin>>beta; 8 v _/ a$ X6 m, J& I int study=0; //学习次数 $ k/ S2 o# n& M3 U double Pre_error ; //预定误差 cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; int Pre_times; " z0 H1 \5 e- C( b6 ?. m0 Q* g 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"; { for (int m=0;m<N;m++) ' C" E6 y9 a9 o cout<<"请输入第"<<m+1<<"组学习样本"<<endl; ! d$ q/ z d$ [- `! d; ` for (int i=0;i<IN;i++) ( o. T6 A) P( V9 j, O2 q* _ cin>>Study_Data[m]->input; " E! c; t% m' _; @- W8 a } ! z# m! F: x& @+ v/ E( i& e { for (int m=0;m<N;m++) 9 H. X- t7 |% A- A. a% a cout<<"请输入第"<<m+1<<"组教师样本"<<endl; for (int k=0;k<ON;k++) / x* P- X |- i1 A! X" l0 o cin>>Study_Data[m]->teach[k]; } " \7 w h% A1 B0 D1 Y initial(); //隐层、输出层权、阈值初始化 (1) & V9 R" e1 C3 W: P do { ' v m/ {: K' M9 D0 [ ++study; ///??? for (int m=0;m<N;m++) " c+ f9 ^( F& y2 _8 X/ ` { * B# g4 e' T* p5 U4 b input_P(m); //输入第m个学习样本 (2) 5 Q5 Z. [) [% Y! ]2 T6 j input_T(m);//输入第m个样本的教师信号 (3) 7 J; r& c0 x1 F* ]6 |0 k5 v' v 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) 4 n4 I* W% J. J) ^ Err_O_H(m); //第m个学习样本输出层至隐层一般化误差 (6) ' @ c7 _7 x6 S2 r: Z% t& [ 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) 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) . _, J& k2 t* h- {. ~ } //全部样本训练完毕 ) {- Q7 N. g1 I+ W7 h sum_err=Err_Sum(); //全部样本全局误差计算 (10) { , m9 Z1 Y. N4 o1 I! n cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; 2 E% P/ B P4 z, p* L) U# q 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 { //N个样本全局误差小于预定误差否？ 小于则退出 (11) 1 n* T, g6 M1 F9 o- i 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); . a$ u: \2 }- k fclose(fp); ) X" B$ L) S- c$ Q' R5 F) H. g } 3 @4 A* a0 E2 r! ] char s; cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; $ a" T* g2 ~( N) o3 X 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