[转帖]C++的BP算法源程序

ilikenba

' L z, s5 h$ j& x( K0 ^; E) b

#include "iostream.h" #include "iomanip.h" & ^3 L0 c9 C0 W- M7 ?9 @ #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 double P[IN]; //单个样本输入数据 9 Z' `+ l4 t# q9 ? double T[ON]; //单个样本教师数据 % h; q! A1 t. N4 m2 Y3 u) g double W[HN][IN]; //输入层至隐层权值 $ P0 z4 h0 R$ ]% |& ` 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 m( V% W( t) } Z" x: |7 X double H[HN]; //隐层的输出 " y4 K7 m- E$ J1 i double O[ON]; //输出层的输出 * c, X4 B. l& K" b8 ^" B& H double sita[HN]; //隐层的阈值 double gama[ON]; //输出层的阈值 ( C' k- H$ J: x! h double err_m[N]; //第m个样本的总误差 + H0 L7 k$ q! k* G0 S double alpha; //输出层至隐层的学习效率 $ g! n/ J( |! V/ P) {7 D double beta; //隐层至输入层学习效率 //定义一个放学习样本的结构 ' a3 b# I% A' {" U struct { & K2 Z1 c- {2 k! v4 s double input[IN]; ( @5 T/ i8 m' M* q double teach[ON]; }Study_Data[N][IN]; ' @0 S6 w: o! `) g4 H /////////////////////////// 7 R% |. D0 j/ v2 S //初始化权、阈值子程序///// : Y I2 B( I# f /////////////////////////// initial() & ?. h- h9 y! I { float sgn; ; ]( D; q% c# B& ?% ~ float rnd; $ f* Z& B# y3 W; G- f5 Y. P int i,j; //隐层权、阈值初始化// { //sgn=pow((-1),random(100)); sgn=rand(); 3 \$ o/ G( ~/ D) Q0 | E2 W rnd=sgn*(rand()%100); : C( y2 z' C- `. k3 }# f9 W W[j]= rnd/100;//隐层权值初始化。 l5 O1 [6 [* K" g9 r& B q! G& A } ( h H+ D6 K' r0 a: P: ^' g //randomize(); ) z# j, K9 b; u/ Y; V+ F+ O { 5 V* D; N* \+ I' c& F/ Y) k //sgn=pow((-1),random(1000)); 6 F( M+ h( p& R: C sgn=rand(); 2 L8 q. X, d& x; S- y- J# r rnd=sgn*(rand()%1000); 8 Y N& N1 e2 Y1 Z! N sita[j]= rnd/1000;//中间层阈值初始化 # d, L. H. l( r5 y8 D6 @: U cout<<"sita"<<sita[j]<<endl; 6 Z7 l1 r! |/ k9 ~: I$ k& Y3 d } . C( d' \+ C2 M7 ]& ^4 S3 n //输出层权、阈值初始化// //randomize(); for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) : x& D4 Y0 t3 _ { ( z' X" a4 T' i: n: W //sgn=pow((-1),random(1000)); sgn=rand(); ' y6 \' z9 I* B% f+ h rnd=sgn*(rand()%1000); ; V; @9 h. m! T, k V[k][j]=rnd/1000;//第m个样本输出层权值初始化 } //randomize(); { + y' a* R \ j3 F+ K8 \ //sgn=pow((-1),random(10)); ( t. U4 z# k. G$ Q d sgn=rand(); rnd=sgn*(rand()%10); gama[k]=rnd/10;//输出层阈值初始化 + N& `& h3 j! y7 R0 ?' | cout<<"gama[k]"<<endl; } return 1; ( {8 K( L3 q! P1 L5 }4 o6 N @ 0 T6 `+ I* n% w- O- R }//子程序initial()结束

- ^7 {: I1 r1 D- t8 ` ~% R1 K: J8 Z% c

//////////////////////////////// " J |" u8 i1 A# U ////第m个学习样本输入子程序/// 0 j( v% S- n6 J' J9 Y% r /////////////////////////////// $ T' o3 l1 ?5 n* K6 N9 r/ p6 k input_P(int m) { . [ P7 A$ X( s: v$ R3 M7 u8 e& j" } for (int i=0;i<IN;i++) P=Study_Data[m]->input; //获得第m个样本的数据 % a# [# T# b9 L r8 Q //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： ! t T! H( O9 }: l+ Q //P[%d]=%f\n",m,P); , E6 F2 Z2 ^/ V return 1; }//子程序input_P(m）结束 ( j" M, O/ [4 E* n ///////////////////////////// : _2 u* b( }* q; n, N ////第m个样本教师信号子程序// # U* v' m, S5 ?# Q) U' w# N ///////////////////////////// input_T(int m) { for (int k=0;k<m;k++) + A; h+ w F. f# E T[k]=Study_Data[m]->teach[k]; : B) O: r1 E, Y# A' Q; U //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); return 1; ! a: T2 @5 \9 S9 f, b3 V0 q2 D7 ], } }//子程序input_T(m)结束 ///////////////////////////////// 0 H* G4 Z% R9 w //隐层各单元输入、输出值子程序/// ///////////////////////////////// H_I_O(){ double sigma; int i,j; 2 E! Z1 t; L& x/ b" }+ S3 O+ |& ` for (j=0;j<HN;j++) 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 9 j' ^" c$ o; C. V( J9 I; ^ H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } return 1; : n* Z2 {* T5 E! `% `0 A }//子程序H_I_O()结束 /////////////////////////////////// //输出层各单元输入、输出值子程序/// 3 w& x5 @3 h' R! b9 J /////////////////////////////////// 5 C3 b( N. {, Y0 @% M- R+ T5 _7 j O_I_O() { 5 }- u! d, x9 Z9 G5 ^9 z' i double sigma; for (int k=0;k<ON;k++) sigma=0.0; 9 u; ?: Q; [% o- L" U& A- m for (int j=0;j<HN;j++) * X8 A" X5 y1 m. R5 i0 R$ P sigma+=V[k][j]*H[k];//求输出层内积 " S( [: c6 h W# U8 D } ' D. d$ T- x) l; N" K. O Y[k]=sigma-gama[k]; //求输出层净输入 . W1 @3 Q- r0 L1 p7 {- v O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 . ]0 A* u; O) o1 c } return 1; 1 E$ E3 \6 P: v# [; r; u) E }//子程序O_I_O()结束 ( _2 ~6 f2 D9 U/ S& o //////////////////////////////////// 2 u) Q. Y$ L' p3 t$ ]- W+ a' O9 ] //输出层至隐层的一般化误差子程序//// 5 P: ?6 m" N6 c% _9 y' ?1 M& L& J' A //////////////////////////////////// 8 x4 e5 v6 o) }* F/ K+ i2 W: n8 F double d_err[ON]; Err_O_H(int m) ) O* J9 Q. c5 O" {: h: o4 B { 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??? 8 E( a- L. r: G O9 P for (int k=0;k<ON;k++) abs_err[k]=T[k]-O[k]; 7 V" W1 C6 P" R& g$ ^. R- D( P5 S6 n //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 $ |+ f/ P9 Z5 h9 ~9 }4 J } 0 C0 o: }- Q7 A0 D 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 & X, r$ H3 v" o) b# r return 1; }//子程序Err_O_H(m)结束 # L& Z; T. Y& \ //////////////////////////////////// 6 e( i T- s! e, }( g; e% o //隐层至输入层的一般化误差子程序//// //////////////////////////////////// double e_err[HN]; Err_H_I(){ double sigma; //for (int hidden=0;hidden for (int j=0;j<HN;j++) sigma=0.0; 2 I& X0 k6 F; h for (int k=0;k<ON;k++) sigma=d_err[k]*V[k][j]; } & M) k8 K0 z# Z, }* O4 L0 c e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 + C- j* ]2 W& H } ( r$ ~ d. d5 U* w- B9 d return 1; ! Q i7 S2 z! c z5 F" ` }//子程序Err_H_I()结束 //////////////////////////////////////////////////////// //输出层至隐层的权值调整、输出层阈值调整计算子程序////// * H( N2 R( H& Z/ K' v //////////////////////////////////////////////////////// 4 e! b p9 n3 t# J# [7 F, I Delta_O_H(int m,FILE* fp) 7 v8 }& u( J0 _+ }) b6 M { for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) //cout<<"第"< z" n( f: u; s0 Dfprintf(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 } & n( C5 G8 i) _; `% i4 D: h gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 } , t0 f% Q7 u2 @4 D# c return 1; }//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///// ///////////////////////////////////////////////////// Delta_H_I(int m,FILE* fp) : x% r" t$ M2 v5 M7 ] { for (int j=0;j<HN;j++) & r: |+ B' O& l5 c) w 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 } ; D9 L& a" i* V% y" E2 D/ J sita[j]+=beta*e_err[j]; # h, C6 [ X9 G0 y& X! _9 j$ p } 9 G7 ]7 d5 J2 R return 1; }//子程序Delta_H_I()结束 $ w, y, w9 T' B9 f- ?# y ///////////////////////////////// ) j- C; J- z. d8 E+ s //N个样本的全局误差计算子程序//// ///////////////////////////////// double Err_Sum() { double total_err=0; 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 } 0 `1 m; `& h4 Z return 1; 4 h. {& w/ J; x! z, ~6 W }//子程序Err_sum()结束 /**********************/ /**程序入口，即主程序**/ ) j9 k7 v% X& _6 D- i /**********************/ ! g' P& A: D7 F main() { FILE *fp; double sum_err; int study;//训练次数 if ((fp=fopen("bp.txt","a+"))==NULL) { - @& z. Z! t# ` printf("不能创建bp.txt文件!\n"); / N0 R- Y4 B' F) t: d+ y1 W9 s0 w exit(1); } 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"; cin>>beta; int study=0; //学习次数 3 [0 Y$ F8 ^" O1 s double Pre_error ; //预定误差 cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; int Pre_times; * p B% V/ v4 W7 l/ W5 i7 O cout<<"请输入预定最大学习次数re_times=\n"; cin>>re_times; 7 ~ v1 R+ @" v7 t cout<<"请输入学习样本数据\n"; { 1 [7 L2 W" U* f4 N% W4 j% A 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; " z+ v' _! D$ X S0 @0 K- a* D } ; D2 O3 L+ t# u+ W+ F0 t6 V { % m; Y5 u1 y ^& e" \; u6 q for (int m=0;m<N;m++) n/ K$ K2 E: D, A- r cout<<"请输入第"<<m+1<<"组教师样本"<<endl; + f; l% J+ R$ k- y for (int k=0;k<ON;k++) " s* r; y1 r% N) q" u$ K% l/ z cin>>Study_Data[m]->teach[k]; ! B# V W4 {. l7 L$ c0 }& ^) j) M } initial(); //隐层、输出层权、阈值初始化 (1) do { 0 j) r$ x {3 t% F5 O! D ++study; ///??? for (int m=0;m<N;m++) { 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) b# p* u2 Y" a& k; r6 c H_I_O(); //第m个学习样本隐层各单元输入、输出值 (4) + }( F' L+ O, w1 c% ? O_I_O(); //第m个学习样本输出层各单元输入、输出值 (5) ( s) o7 K- S, D1 S4 w9 h, K Err_O_H(m); //第m个学习样本输出层至隐层一般化误差 (6) 6 K9 y5 i/ K. p8 L Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (7) $ x% [( d8 S! n* L# i6 T 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) } //全部样本训练完毕 sum_err=Err_Sum(); //全部样本全局误差计算 (10) { # P# t# Q- C0 Q5 t# ? cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; / r% d0 ~" U0 M" k fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); $ }& P6 o; l+ t } . k2 D {8 J9 c* B while (sum_err > Pre_error) //or(study " l* Z: O" ^/ R3 x+ @ { //N个样本全局误差小于预定误差否？ 小于则退出 (11) 2 y- G0 L% K3 j2 m: D cout<<"网络已经学习了"<<study<<"次,学习的均方误差为"<<sum_err<<endl; & [8 n* a; ]) P: _1 N! w5 m fprintf(fp,"网络已经学习了%d次，现在的全局误差为：%f\n",study,total_err); * x$ B/ ^9 U4 r8 a( @: a fclose(fp); ! c2 c- S2 c! x! H } 6 c# P3 ~- S" t$ C- F% F char s; cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; 2 @8 h2 T" D; X2 s return 1; ) t/ R% j# e+ U, ]$ j2 E6 b }

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