[转帖]C++的BP算法源程序

ilikenba

6 C: X% O" l j. X

#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 9 u6 k# u# D* u" q2 q #define HN 8 //隐层神经元数目 #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 & [+ {! y* j: Z6 W {# ?) l double W[HN][IN]; //输入层至隐层权值 ) ~5 W2 i7 v- I9 p1 H/ k double V[ON][HN]; //隐层至输出层权值 double X[HN]; //隐层的输入 7 R" Y7 U# \2 d double Y[ON]; //输出层的输入 9 R' u' M$ V! B double H[HN]; //隐层的输出 9 ?' | z$ s2 c. B1 G double O[ON]; //输出层的输出 double sita[HN]; //隐层的阈值 [ U! e$ C/ t$ m) w double gama[ON]; //输出层的阈值 1 T; z i/ }% i" J; S- G2 _ 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 6 u: g8 f2 x7 Z% I double beta; //隐层至输入层学习效率 //定义一个放学习样本的结构 ) Z* W0 n! Z! q) N& S# | struct { double input[IN]; . ?4 {3 h2 {3 i7 S" E double teach[ON]; }Study_Data[N][IN]; 0 n: Z' |- Z: W : M% T! n! g$ c3 a3 h7 B" }1 H /////////////////////////// //初始化权、阈值子程序///// ; d7 k; ?3 m+ l" h /////////////////////////// 9 h R& M" T6 Y& ?) H/ a( `, n$ U initial() { 3 z; i1 g a) e# f float sgn; float rnd; 9 E) L# j+ R& B: V' s8 T0 E4 h! F int i,j; //隐层权、阈值初始化// { / W U \% P+ ^' k) X8 f //sgn=pow((-1),random(100)); 9 W, [8 [) L7 V. a' V sgn=rand(); rnd=sgn*(rand()%100); ! U- k9 u& |" S3 |) C W[j]= rnd/100;//隐层权值初始化。 } //randomize(); { //sgn=pow((-1),random(1000)); : b: Y0 N' B; l( J; C sgn=rand(); , q, h2 y$ \) g2 g/ @, W$ t rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 $ [( F0 G4 Y" e+ I cout<<"sita"<<sita[j]<<endl; & u* A n3 P+ o } / \6 K- K% }% `5 ~ //输出层权、阈值初始化// //randomize(); for (int k=0;k<ON;k++) 1 \) d+ m% w- r# F2 X" v7 v, |$ c for (int j=0;j<HN;j++) { //sgn=pow((-1),random(1000)); / N6 Q$ ] r+ _- c. I 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(); $ \/ n Y' b' b; m/ ^ { //sgn=pow((-1),random(10)); ; A2 C2 Q+ c1 W" D& _4 D; g sgn=rand(); rnd=sgn*(rand()%10); gama[k]=rnd/10;//输出层阈值初始化 cout<<"gama[k]"<<endl; } 7 P( @2 t/ l1 C return 1; # f) D, v& }4 x8 d( e# Z# b! I }//子程序initial()结束

/ b5 {5 G) q) [

//////////////////////////////// ////第m个学习样本输入子程序/// /////////////////////////////// , d% K: E5 ]- _: Q' W! h$ Y input_P(int m) { for (int i=0;i<IN;i++) P=Study_Data[m]->input; ' l- H+ P, ]: W1 p) u* s //获得第m个样本的数据 ' H' R) s# s6 _! J! i5 s //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： //P[%d]=%f\n",m,P); return 1; , n1 v, P5 x( u0 M+ x }//子程序input_P(m）结束 $ C, w S& C) {2 \+ ] ///////////////////////////// * c( @$ b) c% Q2 f9 \( S, k9 ^8 s ////第m个样本教师信号子程序// 1 f7 Z# w4 h5 e" a ///////////////////////////// input_T(int m) { for (int k=0;k<m;k++) T[k]=Study_Data[m]->teach[k]; 3 E$ n% O' z/ y6 @$ X# |; T //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); return 1; }//子程序input_T(m)结束 ///////////////////////////////// , z3 `8 b3 K3 G. A. f8 P' t //隐层各单元输入、输出值子程序/// ///////////////////////////////// # ?! v$ ` T0 A H_I_O(){ $ H. M, Q3 [+ S- L3 h double sigma; int i,j; for (j=0;j<HN;j++) + u2 q* O1 I! w8 X' f sigma=0.0; 3 h2 c5 i" [( w, o5 Z& J6 j for (i=0;i<IN;i++) / R7 x% t% K [- r sigma+=W[j]*P;//求隐层内积 } X[j]=sigma - sita;//求隐层净输入 E$ ^9 m8 X5 \4 I' }% P. ]6 H H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 & D2 }6 {7 U9 F( g } return 1; 8 }" F1 Y& t* [* Y0 }, e) ]& E }//子程序H_I_O()结束 " K. c9 y2 k2 B7 P /////////////////////////////////// " }$ f1 _0 x' z6 `) s //输出层各单元输入、输出值子程序/// /////////////////////////////////// 5 r4 B' J3 i- S' Z3 i O_I_O() { ( n; {% G7 m0 ^) x9 n1 U$ e" o double sigma; + W/ C! z9 J- v' f+ G for (int k=0;k<ON;k++) ) l/ {7 S% |8 R' g/ ~! M sigma=0.0; - U/ Z7 U. R& i( V for (int j=0;j<HN;j++) 9 [' M/ ^9 I" W- F2 I+ p/ L u sigma+=V[k][j]*H[k];//求输出层内积 } Y[k]=sigma-gama[k]; //求输出层净输入 1 C [* Z& d8 w0 }! U. E, q& \# H( q O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 } + J$ ?- ?3 ], D2 g# w T7 Q return 1; & S/ F4 \8 a e5 T/ a8 N5 U0 b }//子程序O_I_O()结束 //////////////////////////////////// 4 j$ ]4 s# L+ |1 j, K //输出层至隐层的一般化误差子程序//// //////////////////////////////////// 9 w: O# x$ A9 |& m" X% S0 [8 Q double d_err[ON]; 1 f8 }5 A6 \6 s$ v5 B' I Err_O_H(int m) ' J5 H2 _, [0 a0 h5 [) T( o { # \/ P. \5 l4 m* _% T double abs_err[ON];//每个样本的绝对误差都是从0开始的 ( o( L* ]( o# x; i+ [- N X e/ t double sqr_err=0;//每个样本的平方误差计算都是从0开始的 & N0 L- t+ h: u# G* y //for (int output=0;output<ON;output++) //output??? for (int k=0;k<ON;k++) abs_err[k]=T[k]-O[k]; 8 E; ~+ L+ k+ s" e. j: J //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 |- v* C' K. m9 ? 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 } - R! G) z, W1 o0 X9 U- a. W+ a. y 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 6 L `5 V! q# J- U! q return 1; ; {( a$ @$ }% R# H: E4 l }//子程序Err_O_H(m)结束 //////////////////////////////////// //隐层至输入层的一般化误差子程序//// + w5 S5 j' Z2 O- X: t( { //////////////////////////////////// double e_err[HN]; 2 s( E3 a, m1 r% |6 P3 ] Err_H_I(){ & x, R6 ^* Y' ]; _ F double sigma; //for (int hidden=0;hidden % V1 I! ~2 }+ [' r: H for (int j=0;j<HN;j++) ; u3 N: Y# A) t' k0 z B sigma=0.0; : _. Z2 _+ n1 L8 D for (int k=0;k<ON;k++) " _# u* |/ {7 ~( A! W3 P. U4 B sigma=d_err[k]*V[k][j]; } ; }6 {7 W5 {& C/ s- t' ? e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 : U+ M3 g0 v8 h# ~! V, B7 s } return 1; }//子程序Err_H_I()结束 //////////////////////////////////////////////////////// ; t4 @) L" V8 ^, Z( H) C //输出层至隐层的权值调整、输出层阈值调整计算子程序////// + I( ^" h# a) Z. S1 [7 d7 u //////////////////////////////////////////////////////// Delta_O_H(int m,FILE* fp) / n( s! R% G4 |1 R% }$ @ { for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) 7 x1 y6 y/ W8 Y0 b //cout<<"第"< 8 S% C3 I3 }) Q6 x3 h2 Ufprintf(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 & Y* z& n# C) \% H9 H2 C6 | } gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 8 C- R; E5 C. j% |5 |% a4 c } return 1; 3 e% `+ I& H2 H! f* [9 } }//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///// ///////////////////////////////////////////////////// 9 R) j h$ {+ z6 B& d3 H Delta_H_I(int m,FILE* fp) { for (int j=0;j<HN;j++) for (int i=0;i<IN;i++) 9 ~* a! V0 U7 G, x //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 } 0 `$ x( ] |& v# D6 ]7 J. y. ` sita[j]+=beta*e_err[j]; } return 1; " U' f0 Q+ T! t: \ }//子程序Delta_H_I()结束 ( O( D. H, G( Y9 V0 m ///////////////////////////////// //N个样本的全局误差计算子程序//// + }& X# ^1 ^* [% ^ ///////////////////////////////// 8 ?$ E6 H; M- M' ^5 B+ N+ R double Err_Sum() S$ a( W) W( `% Y$ O { ! L: |+ f& `% a2 i2 H* f! C double total_err=0; % D2 m l+ u; k U. z$ v for (int m=0;m<N;m++) * H, j9 s8 {! I( c 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; }//子程序Err_sum()结束 /**********************/ /**程序入口，即主程序**/ 1 C; q9 x6 u9 z; k* z8 Y /**********************/ main() % y! j# d' U5 Q$ y- u { 6 s- _+ q1 e9 G: F3 E FILE *fp; double sum_err; int study;//训练次数 : G+ p8 {+ e& l' K: Y) N" ~% Q if ((fp=fopen("bp.txt","a+"))==NULL) I% T8 S+ @/ F { 4 h) h. ^7 B( T) n: N+ [: @2 I printf("不能创建bp.txt文件!\n"); exit(1); } cout<<"请输入输出层到隐含层学习效率: alpha=\n"; . p+ S/ o1 f' B0 N cin>>alpha; : w+ F+ C- B9 G0 w( o$ A cout<<"请输入隐含层到输入层学习效率: beta=\n"; ; D, o9 z4 C2 }- e5 P cin>>beta; & X4 k. |* ^3 d* ~, z. _7 q int study=0; //学习次数 double Pre_error ; //预定误差 $ h8 \5 S8 p! a6 E cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; int Pre_times; 3 K# w% A5 g$ T& Y cout<<"请输入预定最大学习次数re_times=\n"; cin>>re_times; " g8 o0 {$ r$ L0 D* M8 G cout<<"请输入学习样本数据\n"; { 9 A: u- [' e* n- ^ for (int m=0;m<N;m++) ; j: a1 m0 x5 O6 J 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; # `% F; `* X' a3 e( E } { for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组教师样本"<<endl; for (int k=0;k<ON;k++) ! F$ u# n( h' e' z( _ cin>>Study_Data[m]->teach[k]; + C% Y$ I( ?# l! F5 m& j } initial(); //隐层、输出层权、阈值初始化 (1) do { ++study; ///??? for (int m=0;m<N;m++) { input_P(m); //输入第m个学习样本 (2) ; r% k7 T' R/ V& M* i( I 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) 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) / {) C: f: N$ b5 [- b 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) * a- c5 E# g0 @, B } //全部样本训练完毕 , q: {; m2 a6 N% u& @' w 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; , v, ~3 ~6 `& o& [. W" ^7 ^: n fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); 9 Q" x+ M7 a+ V' n i0 Y/ a H( p) j } $ _, J; y5 X; Y; g. x5 W5 V while (sum_err > Pre_error) //or(study 5 V7 @; ?; E3 W6 a { //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; 0 Z& B+ `- k: C( V4 Y; R) i" [9 c 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); , R2 z$ [& @) A# W% j" z# k) Y* T& Z5 l } - H9 f: N) J% y char s; cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; 8 _1 ]5 w! p6 V' N* p 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