[转帖]C++的BP算法源程序

ilikenba

, r2 c; }& P3 |0 e- s

#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 / l/ q6 E, h1 @! k( Z; x, [4 k. c: | #define HN 8 //隐层神经元数目 # q- z$ b( ^5 L) t5 } #define ON 1 //输出层神经元数目 0 w. n2 p! h o- [ W double P[IN]; //单个样本输入数据 / l# I+ Q2 F/ J8 B7 |! x y double T[ON]; //单个样本教师数据 0 u" K5 J% c; c0 ^$ ?. Z% d0 a double W[HN][IN]; //输入层至隐层权值 2 z' B2 ^8 p( S4 X( N% D: G6 x. e double V[ON][HN]; //隐层至输出层权值 double X[HN]; //隐层的输入 double Y[ON]; //输出层的输入 double H[HN]; //隐层的输出 . A0 O2 }, _# B3 n, \4 c double O[ON]; //输出层的输出 + x4 I9 z8 I [/ } double sita[HN]; //隐层的阈值 double gama[ON]; //输出层的阈值 double err_m[N]; //第m个样本的总误差 4 U1 C# h8 U( v$ p! V; p8 N1 {' Q8 v: A double alpha; //输出层至隐层的学习效率 ' y/ m. |. O# m; {$ F2 [# f% i double beta; //隐层至输入层学习效率 4 s6 G2 s( E1 u$ }% X2 b* `' ? //定义一个放学习样本的结构 # G+ G5 i6 A3 O( m' r. v& T struct { double input[IN]; , W8 Y' T3 l3 a: z- B3 U* R double teach[ON]; }Study_Data[N][IN]; 8 [, C- ~) Q/ |7 o 7 Z. O" y! O( E) [- ^ /////////////////////////// ' }. b. u' f" z9 w6 [ //初始化权、阈值子程序///// 6 S( f7 N# y& Z. a /////////////////////////// - m8 i: a" t' O9 C initial() { ( L& s. Q7 m3 f float sgn; float rnd; int i,j; //隐层权、阈值初始化// { 5 r1 g3 c7 |: k' T: ^) [! e) E //sgn=pow((-1),random(100)); sgn=rand(); rnd=sgn*(rand()%100); W[j]= rnd/100;//隐层权值初始化。 } //randomize(); 9 Q* Y. x; q7 B/ g- q2 x { 7 L; E8 x9 \+ c; ^7 v3 C //sgn=pow((-1),random(1000)); sgn=rand(); rnd=sgn*(rand()%1000); sita[j]= rnd/1000;//中间层阈值初始化 ( u& W9 f m- {0 l: N2 s cout<<"sita"<<sita[j]<<endl; } : m& r& G) s& O; o //输出层权、阈值初始化// / G, U3 C; ?4 C //randomize(); / G2 j! x; c( i7 p* c) n1 ^ for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) { //sgn=pow((-1),random(1000)); 3 f, p3 s( z- a; T l2 P, { sgn=rand(); - @! g! h: b: L% l rnd=sgn*(rand()%1000); V[k][j]=rnd/1000;//第m个样本输出层权值初始化 } //randomize(); { V, a: [: m9 N$ h& L, ]0 @ //sgn=pow((-1),random(10)); sgn=rand(); . I* ~6 I# Z2 j$ E1 E rnd=sgn*(rand()%10); - E) K& X) A' g! G+ i6 U# n gama[k]=rnd/10;//输出层阈值初始化 cout<<"gama[k]"<<endl; } return 1; , ]& p5 x4 T5 l. x }//子程序initial()结束

( E) p# ]( P0 f1 |/ v

//////////////////////////////// 7 J. ^: `5 D' e# V+ e6 b/ g ////第m个学习样本输入子程序/// /////////////////////////////// t5 q) ]& g; N input_P(int m) : \3 ]' U" A9 v9 n) V7 ` { for (int i=0;i<IN;i++) P=Study_Data[m]->input; //获得第m个样本的数据 % c; I9 |6 r3 J- O. j //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： 4 \, S/ ]! b5 T //P[%d]=%f\n",m,P); / x" A% d8 ~, ?# e& _/ o0 F return 1; }//子程序input_P(m）结束 ' u# P5 @4 ~2 J/ Q ///////////////////////////// ; S% q. o I4 }: I& O# q9 I/ V7 d6 q ////第m个样本教师信号子程序// ///////////////////////////// input_T(int m) { 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; . g6 j; s( v& Q* s* n) d) e2 m }//子程序input_T(m)结束 ///////////////////////////////// . {; S3 [. }. \* u( R; G# | //隐层各单元输入、输出值子程序/// ///////////////////////////////// & {* ]+ X$ W7 r" Z* D7 i H_I_O(){ 3 f( I) O$ D( N9 W8 O double sigma; 4 B9 h" C% Q0 _/ w9 _/ `& ^$ J' j. \ int i,j; * {% |( h' _6 A7 X. s; v for (j=0;j<HN;j++) 1 T2 @1 {5 y2 n u; O0 W: g sigma=0.0; for (i=0;i<IN;i++) $ Q/ W7 E" L) L4 X, E sigma+=W[j]*P;//求隐层内积 } X[j]=sigma - sita;//求隐层净输入 `( ~% w3 f: }* m$ @- F9 ^ H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } - G) U. _- G. t. [ return 1; ) Z% w4 ], D/ o: t* Y9 \ }//子程序H_I_O()结束 # @3 ?- F4 |+ E$ K3 H /////////////////////////////////// //输出层各单元输入、输出值子程序/// / ^1 I* B: q$ A4 y9 ^7 F /////////////////////////////////// 4 b! D3 N+ B5 M7 I* B2 Z O_I_O() - @; K! P2 h# c { double sigma; 1 Q: _7 d" s, T; l# K1 b. M for (int k=0;k<ON;k++) 8 Z6 r/ m& F' n7 h# p4 } sigma=0.0; for (int j=0;j<HN;j++) 0 C/ J( }! u( b6 K! H$ B sigma+=V[k][j]*H[k];//求输出层内积 / F- n( }: H: W( V3 s } 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 : N9 U& F3 @* a) M6 `5 S } return 1; % K4 X! C1 {; g2 z }//子程序O_I_O()结束 , B% s1 K& G4 _5 i6 q4 u) p //////////////////////////////////// Z* L' {6 a% t //输出层至隐层的一般化误差子程序//// //////////////////////////////////// . a+ U+ U& h' i4 c& {0 S double d_err[ON]; Err_O_H(int m) { 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??? : O" m- `0 T2 K: w for (int k=0;k<ON;k++) 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 8 g* n! T* ]3 @& l4 B) _9 L: m, ]7 F sqr_err+=(abs_err[k])*(abs_err[k]);//求第m个样本下输出层的平方误差 ( t( V0 K; P7 H$ S0 A+ O 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 1 i2 K# H. i5 O! j+ L } n/ i7 ]% g9 z# P9 z0 F4 e 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 h' }8 {' Y" X0 Q, K B; N. | return 1; }//子程序Err_O_H(m)结束 $ d9 E4 F' ?0 J //////////////////////////////////// //隐层至输入层的一般化误差子程序//// //////////////////////////////////// 1 V# w1 ]* }/ k' H double e_err[HN]; Err_H_I(){ h$ H6 B+ ^; \ double sigma; # b- H- H) i b5 v' D3 G( A1 L; G5 { //for (int hidden=0;hidden 3 q7 B3 ?. y& ^( `8 k6 J, E" e1 t for (int j=0;j<HN;j++) sigma=0.0; 7 `3 P ^6 x+ y |0 @2 w9 i for (int k=0;k<ON;k++) 2 L) k" X1 V+ R5 @, Y" n sigma=d_err[k]*V[k][j]; } ; t+ e! R/ z$ | e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 0 j, u; S- r9 ~$ |8 u } 8 g" l0 V: _1 |! H' X9 I5 g return 1; }//子程序Err_H_I()结束 . f _1 y4 F E0 U( s //////////////////////////////////////////////////////// //输出层至隐层的权值调整、输出层阈值调整计算子程序////// + z( t _1 W4 H/ J4 t4 \' A //////////////////////////////////////////////////////// Delta_O_H(int m,FILE* fp) 5 l! T5 ]8 d2 t: @ { for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) 8 Q0 v1 s* X4 [+ p7 [+ y" z! k //cout<<"第"< 7 B5 y5 s, c2 }0 k- efprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,W[k][j]); + a4 T4 o0 E; o w V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 } gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 + I' ]7 H4 P5 v } return 1; }//子程序Delta_O_H()结束 9 Q- @* [# w, p1 w4 | ///////////////////////////////////////////////////// //隐层至输入层的权值调整、隐层阈值调整计算子程序///// ///////////////////////////////////////////////////// - C9 j" l" L% s) I" }( T2 { Delta_H_I(int m,FILE* fp) m/ P( T' e" u3 S { * Z9 p* A1 c7 H, A" t, s for (int j=0;j<HN;j++) 8 E6 n; R* ]5 q9 L" R8 j) M for (int i=0;i<IN;i++) , i" V4 O4 r! B: i0 G //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]); % h0 t( O7 J- @ W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 * p: r2 F4 w" k } sita[j]+=beta*e_err[j]; } return 1; }//子程序Delta_H_I()结束 % ]- m; r1 u6 g2 ~# o4 J# |& H4 x: C ///////////////////////////////// //N个样本的全局误差计算子程序//// 1 i6 O3 x7 x1 T: B& F ///////////////////////////////// " e$ ~4 v' F; ]3 m' W double Err_Sum() { double total_err=0; for (int m=0;m<N;m++) * u9 a2 B* r, f, z; T2 x total_err+=err_m[m];//每个样本的均方误差加起来就成了全局误差 - @4 `! x3 L+ o& l0 ?" O: m9 ^& ~( ~ } return 1; 4 X2 o7 L' l* P1 K e& k% c$ \ }//子程序Err_sum()结束 /**********************/ 0 p" j S( K; H7 v) t! g /**程序入口，即主程序**/ & H* m( w& q# f' {1 t /**********************/ 1 Z8 X; O- B) p; k+ h- ?9 M+ k main() { 5 l9 g8 e' O" {3 J FILE *fp; double sum_err; int study;//训练次数 , H; p2 t4 a' j' a if ((fp=fopen("bp.txt","a+"))==NULL) ( n6 T( x7 @2 C { printf("不能创建bp.txt文件!\n"); exit(1); 9 L2 Y; E. ^3 v9 {: F } 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"; $ k. {3 v( T9 m. Y% A! [ cin>>beta; 5 B9 N( @- X+ t! H+ S int study=0; //学习次数 double Pre_error ; //预定误差 ( [( }# e7 Z( Y0 m. ^( H( P cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; ( L( I' [. [& Y) w0 G int Pre_times; cout<<"请输入预定最大学习次数re_times=\n"; ' o% K4 \6 O3 L cin>>re_times; ' e# r0 x- E& O4 k) F2 L- E cout<<"请输入学习样本数据\n"; 6 I7 h+ l; \% t( m. ?6 i { 6 ~( z8 Z' u9 E; u' t% ] for (int m=0;m<N;m++) # y' E( W0 v. g: W# p cout<<"请输入第"<<m+1<<"组学习样本"<<endl; / {7 {; N. Z5 \6 ~: I" X# U for (int i=0;i<IN;i++) cin>>Study_Data[m]->input; . ^4 Z9 X4 p1 D4 H$ e } { 2 U7 ?4 g1 w% T+ S# L9 B: U% v for (int m=0;m<N;m++) - Y: Z9 u6 b: t0 j0 z cout<<"请输入第"<<m+1<<"组教师样本"<<endl; 7 @; w( o% h; j X$ s for (int k=0;k<ON;k++) cin>>Study_Data[m]->teach[k]; 5 R1 @9 g, `+ l$ q# y } initial(); //隐层、输出层权、阈值初始化 (1) do ; B$ I( k. t0 n" ^, Z. r1 B { 0 z1 g0 ~" F; f! o \ ++study; ///??? ! L) U0 Z0 Y' s7 S- F0 n for (int m=0;m<N;m++) 4 i0 j2 [7 U4 O' K% O2 a ^: O { input_P(m); //输入第m个学习样本 (2) 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) / p0 w! @- v) ~ 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) 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) 9 h. ~- ^1 f' O } //全部样本训练完毕 sum_err=Err_Sum(); //全部样本全局误差计算 (10) { " m' u1 m$ s; l2 i: {& E 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); 4 W' N: ~ G+ a" f( f& w } while (sum_err > Pre_error) //or(study 1 r( a. |7 P) t6 d { //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); 8 r, ]$ O. C) Z% L0 h6 e' G' ^; w" v fclose(fp); a7 V$ o" ^4 b5 b- Y% Y0 h$ s } char s; 6 m4 w2 \' h8 n4 e9 H0 Y2 W cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; return 1; 9 E* `" Z! q3 M- u }

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