[转帖]C++的BP算法源程序

ilikenba

% U( Z t: O5 h& b5 B

#include "iostream.h" 1 f y/ b# U' a L. e Q& A& y #include "iomanip.h" ! y# s7 I+ H- A4 n$ D; o- ? #define N 20 //学习样本个数 8 U% `/ u$ m* ?% {% S, ~; i; G #define IN 1 //输入层神经元数目 . I) g: \' c! y/ ^3 o: i( L- k #define HN 8 //隐层神经元数目 3 r, {1 w9 m9 D #define ON 1 //输出层神经元数目 double P[IN]; //单个样本输入数据 double T[ON]; //单个样本教师数据 - o) l- r' G, {/ Q) o 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 - ?( U, g4 K6 i- f 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 ; @: Y: b9 ^- K/ u( G double sita[HN]; //隐层的阈值 ; y' G3 h! c0 ~0 W; q2 g double gama[ON]; //输出层的阈值 8 _ {0 a' U( X& m; f6 z( r4 a 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 " G$ k* K, @: c+ [( d" E struct { double input[IN]; double teach[ON]; }Study_Data[N][IN]; /////////////////////////// - c x8 I3 \, z6 g //初始化权、阈值子程序///// /////////////////////////// initial() { float sgn; float rnd; int i,j; ( }7 C l! d/ O) R. b. R //隐层权、阈值初始化// 8 h% @# I! c0 c% W2 n { 9 Y6 \/ C j+ J4 B! ? //sgn=pow((-1),random(100)); % _2 @ h' {9 |) m) c sgn=rand(); 4 j; k6 c8 }. I* C rnd=sgn*(rand()%100); 2 G3 f; o6 _8 L! D2 k+ l3 k W[j]= rnd/100;//隐层权值初始化。 ! H* v% \; I; w7 P& O+ t" I' m } //randomize(); { ! q7 f6 T9 ?0 l0 _# h //sgn=pow((-1),random(1000)); 1 T2 l! T9 O* p* R# L: \ sgn=rand(); $ p6 v' T: V0 U( [. K% m rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 cout<<"sita"<<sita[j]<<endl; " |) ?7 j. h9 ` } //输出层权、阈值初始化// 1 p6 O5 I( {7 S3 A //randomize(); 4 h4 Z @( e! {! g( p for (int k=0;k<ON;k++) 9 b6 u5 [+ W2 E1 Z( a for (int j=0;j<HN;j++) { 8 `! b9 Z8 G: c1 n/ F( L //sgn=pow((-1),random(1000)); sgn=rand(); 1 _( A4 x9 Q2 b5 A2 x( }& b+ E 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); 3 T& X& T/ _( x+ X- J gama[k]=rnd/10;//输出层阈值初始化 cout<<"gama[k]"<<endl; ' o/ s. [/ V8 H6 V } return 1; % S. S2 c" S* ~# o0 | }//子程序initial()结束

//////////////////////////////// " \4 R7 B' t! M$ A8 I/ f+ ? ////第m个学习样本输入子程序/// /////////////////////////////// 3 N' M$ f0 O& b input_P(int m) { 5 `9 W) |3 `3 u$ C8 h& Y" G for (int i=0;i<IN;i++) - i( @- o- \8 G7 V+ c, x+ R3 Y9 u1 O 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); . B3 f) y5 f5 T9 T return 1; }//子程序input_P(m）结束 - I: @, l; t4 Q$ S0 o- P( ]% U3 u4 q2 X ///////////////////////////// * v+ {3 h! |6 C! S4 ?3 ~ ////第m个样本教师信号子程序// . l3 A8 S+ p+ A ///////////////////////////// input_T(int m) 3 M, y3 f- a( c$ p3 S& G { for (int k=0;k<m;k++) T[k]=Study_Data[m]->teach[k]; : _# c- K7 Y7 V //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); return 1; . ]# g& V \# E2 X; D/ g }//子程序input_T(m)结束 ///////////////////////////////// - ], k& }1 K! Q3 A+ a) V //隐层各单元输入、输出值子程序/// ///////////////////////////////// H_I_O(){ double sigma; / e6 A6 U' {$ t int i,j; 3 i( i; \" K( `1 s' F for (j=0;j<HN;j++) * V: Y) C7 j# ]" o sigma=0.0; for (i=0;i<IN;i++) sigma+=W[j]*P;//求隐层内积 } X[j]=sigma - sita;//求隐层净输入 H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 ( l3 h# m( P' P } return 1; }//子程序H_I_O()结束 /////////////////////////////////// ! v* } B1 f& n; U' J //输出层各单元输入、输出值子程序/// 6 ^5 J. A/ k' H1 ]8 @ /////////////////////////////////// 3 W2 w1 [4 |1 h O_I_O() 5 C$ D3 C% j$ b* K! H9 | { ( n6 R( w/ o1 C7 [! |( h double sigma; $ v+ K6 Y6 E+ q$ y% }/ C for (int k=0;k<ON;k++) sigma=0.0; % ^8 R7 ]; r& P w$ J- k# m for (int j=0;j<HN;j++) % J6 F; j7 h8 ~2 J* ]8 E+ h sigma+=V[k][j]*H[k];//求输出层内积 } 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 4 C1 e( R, S9 l3 _ } return 1; }//子程序O_I_O()结束 //////////////////////////////////// $ V& |0 E0 v: x5 ] P) ^1 ` //输出层至隐层的一般化误差子程序//// //////////////////////////////////// & D6 a/ F# K [ double d_err[ON]; Err_O_H(int m) { ' b7 N6 o; @% g! @5 ?7 ^- W double abs_err[ON];//每个样本的绝对误差都是从0开始的 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??? for (int k=0;k<ON;k++) abs_err[k]=T[k]-O[k]; , u: s# T* ^* d7 M# W7 b5 U& A //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 8 Z; f& N6 k/ h8 b) ^ 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 } * Y6 E# C: ~% l; ~% a2 c7 ~# o 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 s9 U4 r6 u% e //////////////////////////////////// 1 G( b' m4 G ~$ `& W! g( f* o //隐层至输入层的一般化误差子程序//// ; n; z2 Y: d' X9 V# ^! [! i. d4 H/ a //////////////////////////////////// 2 z3 b1 I @, ], @* O* W& G double e_err[HN]; ! j: t4 }% ^' g9 A* [, w Err_H_I(){ double sigma; . r0 X3 c: \4 O- P: k# p; h4 L //for (int hidden=0;hidden for (int j=0;j<HN;j++) 2 B, u2 H" ~% r+ J- M; e sigma=0.0; , X, l- d" O# e; k$ k# K for (int k=0;k<ON;k++) . q4 J0 l7 T7 ]8 n! o sigma=d_err[k]*V[k][j]; 4 Q- w2 i* M: I: T } e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 } return 1; 8 G$ k5 ?3 ~7 E( `- ? }//子程序Err_H_I()结束 ) b7 e3 G7 C) G! G* s" X' J& e: R //////////////////////////////////////////////////////// 1 U& r K6 ~4 J- S0 w* C& H //输出层至隐层的权值调整、输出层阈值调整计算子程序////// 1 A! C' b! J/ L9 i //////////////////////////////////////////////////////// ; Y+ h# H4 t4 A, G* z8 o Delta_O_H(int m,FILE* fp) { 6 a/ ?- D r' H, {' f for (int k=0;k<ON;k++) " S: t( @/ _$ t1 g4 x for (int j=0;j<HN;j++) 4 e# O" a- n3 ~( Z //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 } 1 p5 b3 A) [, l5 I: o gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 } return 1; ' N, X3 n$ {2 [ }//子程序Delta_O_H()结束 + @; e% k* K, |8 c ///////////////////////////////////////////////////// : A% ~: w" v9 k/ W //隐层至输入层的权值调整、隐层阈值调整计算子程序///// / d6 i8 w" p+ b' {: o9 I1 S ///////////////////////////////////////////////////// ( C1 Y+ s. d k' i9 s8 T; h. U. h9 s Delta_H_I(int m,FILE* fp) { 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 } sita[j]+=beta*e_err[j]; ( g$ z4 K8 @/ q. s } return 1; * R1 ~0 M9 E! A3 w! ^ }//子程序Delta_H_I()结束 ///////////////////////////////// //N个样本的全局误差计算子程序//// ///////////////////////////////// 1 x0 H0 i) w" G8 ~9 [+ s2 g8 X double Err_Sum() { double total_err=0; for (int m=0;m<N;m++) 0 j1 i( F& d% n3 p total_err+=err_m[m];//每个样本的均方误差加起来就成了全局误差 " b _; K0 d' n& @, m' W } return 1; 9 @6 [3 K5 o- `+ U, C }//子程序Err_sum()结束 /**********************/ $ s4 b' Y) s: t) n /**程序入口，即主程序**/ /**********************/ 9 S: y+ ?% \/ T. @4 c' E main() { 7 U; x3 b3 [) E- R4 E) g) F4 E FILE *fp; 0 }) M3 t5 k3 T; x' c- e4 Z double sum_err; int study;//训练次数 - j9 x9 k" o7 r; w. x if ((fp=fopen("bp.txt","a+"))==NULL) { ! d: t; ~1 @. M# j printf("不能创建bp.txt文件!\n"); exit(1); : c" x/ ~2 j( w" ~4 B9 \: 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"; & n$ C; @2 G, E' N* Q cin>>beta; int study=0; //学习次数 , C. t& j4 I5 Z3 J1 X double Pre_error ; //预定误差 / |# m6 N t0 ]6 g$ X0 G$ h1 c cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; ; }/ l; U7 z( Z( `2 L int Pre_times; ( m P) l9 j: Q cout<<"请输入预定最大学习次数re_times=\n"; cin>>re_times; # [0 J$ s a0 c8 F/ c& ^5 F- Z6 \+ Q cout<<"请输入学习样本数据\n"; 9 d J; E `* Q# h R4 x { . x2 W0 F" M8 W7 s3 X/ q/ }" j5 r 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; } { for (int m=0;m<N;m++) 7 z- b/ D/ h6 X# p7 s, G x cout<<"请输入第"<<m+1<<"组教师样本"<<endl; 9 @& o" _/ o% a- ~) ? for (int k=0;k<ON;k++) & p( T6 l& r: Q/ r0 r& P cin>>Study_Data[m]->teach[k]; } initial(); //隐层、输出层权、阈值初始化 (1) V8 h: C* s1 C0 j* ]% w/ a do 3 i. ^, @" P# V+ l( N" L2 o { ' y v% ~6 I" ] ++study; ///??? for (int m=0;m<N;m++) 6 a( L0 e# B7 o; Q3 Z% ~9 P { 1 `" M) [1 c3 ]8 \ input_P(m); //输入第m个学习样本 (2) $ W* H- c9 N2 Z. b) m: P 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) # x M+ n7 \. J4 @* [9 } O_I_O(); //第m个学习样本输出层各单元输入、输出值 (5) ) t' m4 M( Z7 b' T5 C Err_O_H(m); //第m个学习样本输出层至隐层一般化误差 (6) 0 m4 f c8 B; i6 y9 i Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (7) 8 T8 h+ Y- ~, \, S$ ? 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) & [- U, r, Y1 i2 }. i6 t- l5 i# { 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) 7 c8 c% R; p0 Z- a7 o, B } //全部样本训练完毕 9 A1 R# U9 G( l6 c0 g$ Z' P: @4 [+ d sum_err=Err_Sum(); //全部样本全局误差计算 (10) 8 f6 k$ [2 p" X" F- M0 k { cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; , O5 B$ ~- p" J- i) t fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); } $ Y3 K, ?" Q$ ]* p 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); + q4 ?% ]4 r3 }8 I+ g fclose(fp); } : ~8 B2 A. g8 j& @9 T char s; & @) L& \( ]* } cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; return 1; 9 Y/ z" i4 m% G! T% ?& R/ e/ e }

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