[转帖]C++的BP算法源程序

ilikenba

5 n: y4 k, B7 \- O. b8 B$ [

#include "iostream.h" 1 W" T% _3 e d+ i #include "iomanip.h" #define N 20 //学习样本个数 2 X/ {% W. B6 j; w: i. o d4 O #define IN 1 //输入层神经元数目 ; D/ k7 @5 E1 ]6 m) w #define HN 8 //隐层神经元数目 2 p; { z( U+ {/ q: n/ Q0 i/ b #define ON 1 //输出层神经元数目 # m* Q; G7 a- J4 f* H7 B double P[IN]; //单个样本输入数据 . ?6 I# f2 X6 f1 u% M& o3 }. U1 A double T[ON]; //单个样本教师数据 double W[HN][IN]; //输入层至隐层权值 - z5 U+ ]9 X: T* R9 t: P6 J double V[ON][HN]; //隐层至输出层权值 + {# o: b3 W, _8 n( }8 s; F! u double X[HN]; //隐层的输入 2 Z4 @$ i- U; @8 A 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 ! P) U" j6 ^" e B- K double sita[HN]; //隐层的阈值 # |9 M8 a: t P [ double gama[ON]; //输出层的阈值 , S) q, j$ u- u3 t* B3 M 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 2 m E; t6 o K //定义一个放学习样本的结构 struct { double input[IN]; double teach[ON]; 8 r8 ^8 ^8 j( c, v. u9 [ }Study_Data[N][IN]; . `9 P9 ` m5 h% c+ G /////////////////////////// $ B" I3 c6 s+ @5 y5 D0 Y; S- b //初始化权、阈值子程序///// # F" n, {6 W: A* i8 Q( G3 s5 r9 [ /////////////////////////// initial() { float sgn; float rnd; int i,j; 2 H; d6 [( X6 z/ s2 h# Z5 }# `% Z //隐层权、阈值初始化// { " J2 t3 ^+ x+ P+ m //sgn=pow((-1),random(100)); sgn=rand(); rnd=sgn*(rand()%100); * B" C5 e6 G( c; q& q* n W[j]= rnd/100;//隐层权值初始化。 } //randomize(); { 7 Y& }& l% R& r7 S" y% o u5 L //sgn=pow((-1),random(1000)); sgn=rand(); ! U5 F" Y: Y- R. k5 o' m/ _# v rnd=sgn*(rand()%1000); - `* T& H6 G2 @8 r2 L" r sita[j]= rnd/1000;//中间层阈值初始化 & p+ h. W3 [' A! h& a0 o cout<<"sita"<<sita[j]<<endl; ' L+ g @, }1 s: ~: t3 s } //输出层权、阈值初始化// //randomize(); for (int k=0;k<ON;k++) 0 K: g' h' \/ Q+ z) ? for (int j=0;j<HN;j++) { % @% r$ N( |% F/ O //sgn=pow((-1),random(1000)); sgn=rand(); / Q! Y4 ^, T7 i* M% Q rnd=sgn*(rand()%1000); V[k][j]=rnd/1000;//第m个样本输出层权值初始化 + K' n8 k& x/ k } //randomize(); { / Q9 } U7 d T //sgn=pow((-1),random(10)); sgn=rand(); # A, a# d" B# n rnd=sgn*(rand()%10); gama[k]=rnd/10;//输出层阈值初始化 cout<<"gama[k]"<<endl; 6 H" J: j, E( Z! y- u% o: v } " I6 p4 K" u: [9 l- ?5 r. I5 ?; n return 1; 8 J4 E8 W/ g, _& S& b . d6 H8 d: G1 H4 M0 q8 e0 _ }//子程序initial()结束

8 q! @+ T9 ]' g0 E

//////////////////////////////// ////第m个学习样本输入子程序/// /////////////////////////////// 4 }2 N1 ^5 g9 C0 E$ R input_P(int m) { ) M) `2 ~) q, V# T) m for (int i=0;i<IN;i++) ) k/ B6 Y1 {% X& Y" I. t P=Study_Data[m]->input; h4 I2 Z# B/ D7 l1 ]( L //获得第m个样本的数据 7 R! [' \" I4 z# X- I //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： F4 O6 ?/ B9 u8 G1 S' | //P[%d]=%f\n",m,P); return 1; " \; }6 U) i5 `5 ^1 t3 | }//子程序input_P(m）结束 ///////////////////////////// 0 q2 |* V2 b$ b$ w ////第m个样本教师信号子程序// ///////////////////////////// - @0 n- X$ X# s( s3 M% r input_T(int m) , P; B. h* }' q { for (int k=0;k<m;k++) 6 B3 t' H7 U2 N6 F( \/ {9 F T[k]=Study_Data[m]->teach[k]; 1 o! c6 m8 b6 ]" p //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[% d] =%f\n",m,T[k]); return 1; ! s* [4 j6 W7 c9 n: p }//子程序input_T(m)结束 ' p4 u) e( Q) P- ~0 R1 @* o, ] ///////////////////////////////// //隐层各单元输入、输出值子程序/// ///////////////////////////////// . E# V) i3 _* B8 d H_I_O(){ % k5 i# q0 B, m0 Q double sigma; int i,j; - |4 s7 A6 B4 H5 }( B for (j=0;j<HN;j++) 3 U/ S: z# m; C sigma=0.0; for (i=0;i<IN;i++) ) u- I" G) b' U; @ sigma+=W[j]*P;//求隐层内积 $ d/ o# D- J: k } * x3 O% ]1 K0 x% b3 \ X[j]=sigma - sita;//求隐层净输入 H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 } 4 M7 m3 {; q6 K return 1; }//子程序H_I_O()结束 /////////////////////////////////// ) z6 U- |: c3 n# n2 O //输出层各单元输入、输出值子程序/// /////////////////////////////////// ! ?4 L" Z4 }) {" X9 X O_I_O() 3 C; Z! p! O% m \( { { : V4 V( ?! @6 {; Y& t+ W double sigma; for (int k=0;k<ON;k++) 5 Z1 x% g0 R/ m6 c sigma=0.0; for (int j=0;j<HN;j++) 2 n2 U" T8 z y% ^( F sigma+=V[k][j]*H[k];//求输出层内积 / W) ^& t4 o; {7 ]3 P- J } Y[k]=sigma-gama[k]; //求输出层净输入 * ^7 e# R/ ^4 E( ]3 o% a O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 } return 1; 1 {- A/ a, m' ?, {! y }//子程序O_I_O()结束 , j- ~9 l( t* @/ Y //////////////////////////////////// //输出层至隐层的一般化误差子程序//// //////////////////////////////////// , f' K. x& P4 }# G4 P3 j' z+ ^% ~ double d_err[ON]; ; V3 F0 S, G+ s* a Err_O_H(int m) { 0 W8 L. K9 @, i& z" l' M double abs_err[ON];//每个样本的绝对误差都是从0开始的 9 \4 E2 p# f9 H3 d5 @- Q3 J; I double sqr_err=0;//每个样本的平方误差计算都是从0开始的 - d, y4 C# v9 |0 F+ d1 D9 c //for (int output=0;output<ON;output++) //output??? ; g1 X; o" s- ^ M. p! X for (int k=0;k<ON;k++) abs_err[k]=T[k]-O[k]; * X( R# G6 I$ U1 J$ B% T //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 % q" H. |% J }: m6 ^/ w% N0 i8 r8 ^' ] 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 } 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; 4 B( Q X" ^* z% D1 I4 V, u5 ] }//子程序Err_O_H(m)结束 : b& F4 s( v1 N) V5 J; A7 e //////////////////////////////////// 3 I: B2 k: L' p4 e" J //隐层至输入层的一般化误差子程序//// //////////////////////////////////// double e_err[HN]; Err_H_I(){ double sigma; # Z- {( ?9 _; d: O //for (int hidden=0;hidden for (int j=0;j<HN;j++) sigma=0.0; ' u8 q. p8 B& b& y for (int k=0;k<ON;k++) ! h) C- C8 E/ ?- l9 h+ X% O sigma=d_err[k]*V[k][j]; } 0 t, p' g/ N$ S/ W2 g, p% b* D; _ e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差 $ b3 R: N& m; O6 R, q) R3 D/ T! e } % B7 K# \+ C' L( O. v; M return 1; }//子程序Err_H_I()结束 / l. Z, e6 q' r //////////////////////////////////////////////////////// 2 F2 V( a; l2 m+ J" L5 I, ~ //输出层至隐层的权值调整、输出层阈值调整计算子程序////// //////////////////////////////////////////////////////// % ?7 y5 @ u6 h Delta_O_H(int m,FILE* fp) ( @( X- Z# k8 V { for (int k=0;k<ON;k++) for (int j=0;j<HN;j++) //cout<<"第"< 9 g9 Q" i% d A; pfprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,W[k][j]); ) ], t+ g7 f" @ V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 , q% @& e4 j2 O' u/ r2 o$ Z+ E; Z! E } 4 u" [6 ~6 \) i/ H gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 } ; d0 A$ w: K+ j/ A" h, e return 1; }//子程序Delta_O_H()结束 , m4 R ^- F" P" v- H. ^ ///////////////////////////////////////////////////// " ^5 V0 i! L% { c$ f1 O8 Q* Z //隐层至输入层的权值调整、隐层阈值调整计算子程序///// 4 @( V, R) B$ N( M7 q ///////////////////////////////////////////////////// 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 2 N8 _7 ^, m; }0 x; E q/ k } sita[j]+=beta*e_err[j]; } return 1; }//子程序Delta_H_I()结束 2 G! M: |) O' [8 l$ r: C( w# e ///////////////////////////////// //N个样本的全局误差计算子程序//// ///////////////////////////////// 1 i" o; |, k; d; e( u double Err_Sum() & \' G5 R! F s { + H Y" }* N, y1 l# q double total_err=0; for (int m=0;m<N;m++) , e' \5 v3 r- K; l total_err+=err_m[m];//每个样本的均方误差加起来就成了全局误差 ; L' K8 V/ t- E+ b6 G } return 1; * l! n) ?; T( t+ Y% N }//子程序Err_sum()结束 1 O- Y# L2 w' z6 a) Y, E% u- W. [ /**********************/ 9 x) o1 e% g/ g/ |* o /**程序入口，即主程序**/ 0 z/ \/ e! q3 f* g4 X, P /**********************/ ! f) U' c8 t. V1 y, _' |; f main() 4 b8 Q! d. \$ f% D { FILE *fp; double sum_err; int study;//训练次数 : h! a. f% V3 y; @/ U2 a# a: Y if ((fp=fopen("bp.txt","a+"))==NULL) & q: }6 f2 L/ Z2 ?5 }% W { 5 w z( s# }$ D' Z) p printf("不能创建bp.txt文件!\n"); exit(1); 8 [9 A) C: _$ O( I } 1 N) E0 n" u4 G4 {7 w1 H h2 K( p; x cout<<"请输入输出层到隐含层学习效率: alpha=\n"; 8 ]6 x& E' H# n* d4 _- n4 W cin>>alpha; cout<<"请输入隐含层到输入层学习效率: beta=\n"; 7 a/ o$ P6 D2 }3 A8 [ Y cin>>beta; 2 P$ c; d$ _0 V int study=0; //学习次数 & T3 Y h3 `# d double Pre_error ; //预定误差 cout<<"请输入预定误差: Pre_error= \n"; cin>>re_error; . N) [+ k) [% p' m( Q% b/ y3 [' p9 N int Pre_times; cout<<"请输入预定最大学习次数re_times=\n"; & `9 @0 E+ C8 F$ b* @; t4 F. i cin>>re_times; cout<<"请输入学习样本数据\n"; $ Z* a# u& F, @4 K { & F0 X7 c5 X7 Y7 D for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组学习样本"<<endl; 1 Q5 u$ k& m% m8 h2 ] for (int i=0;i<IN;i++) ; t4 \& ^1 ?* \ cin>>Study_Data[m]->input; $ x7 ]8 x' B/ ]( \ } 2 `" d: I$ q5 x { 9 M i# j+ L# g2 _2 X for (int m=0;m<N;m++) cout<<"请输入第"<<m+1<<"组教师样本"<<endl; ' h( ]. d, U, j" q7 T7 R for (int k=0;k<ON;k++) cin>>Study_Data[m]->teach[k]; } + X$ M. ]' y! w: `. `& `6 V initial(); //隐层、输出层权、阈值初始化 (1) 8 H; }( y) G% i do { ++study; ///??? # l. L1 t0 V% b# s+ M for (int m=0;m<N;m++) { input_P(m); //输入第m个学习样本 (2) ; I: p2 g; }! Q 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) " D; z: Q& L. I4 P* s k4 o, [ O_I_O(); //第m个学习样本输出层各单元输入、输出值 (5) 8 O& Q0 N. S2 w) T: ~ 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) 5 R' p5 A) t! l5 P& K6 x: H 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 7 e$ O* F3 B! L- |9 w+ j sum_err=Err_Sum(); //全部样本全局误差计算 (10) { 2 A m+ e3 v/ u' x 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); ! ?8 \- m; H# u$ ?- I! v } , w1 x0 D/ U* |; d' m while (sum_err > Pre_error) //or(study & }- Q7 L- v/ }6 y( V { //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; 8 H% X# P1 m& Z- Z' ^ 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); } R- c6 P% n+ D& t [5 C/ N char s; cout<<"请随便输入一个字符，按回车退出程序！\n"; cin>>s; return 1; 0 ~* M: Z. n, H& 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