bpnet.~jav

人工神经网络java工具箱源代码 包含BP网络

import java.util.Random;

public class BpNet extends Object {

  int inNum;  //输入接点数
  int hideNum;//隐含接点数
  int outNum;  //输出接点数

  Random R;
  int epochs;

  double x[]; //输入向量
  double x1[];//隐含接点状态值
  double x2[];//输出接点状态值

  double o1[];
  double o2[];
  double w[][];//隐含接点权值
  double w1[][];//输出接点权值
  double rate_w; //权值学习率（输入层-隐含层)
  double rate_w1;//权值学习率 (隐含层-输出层)
  double rate_b1;//隐含层阀值学习率
  double rate_b2;//输出层阀值学习率
  double b1[];//隐含接点阀值
  double b2[];//输出接点阀值
  double pp[];
  double qq[];
  double yd[];
  double e;
  double in_rate;//输入归一化比例系数
  


  public BpNet(int inNum,int hideNum,int outNum) {
  R=new Random();
  this.epochs=500;
  this.inNum=inNum;
  this.hideNum=hideNum;
  this.outNum=outNum;
  x=new double[inNum]; //输入向量
  x1=new double[hideNum];//隐含接点状态值
  x2=new double[outNum];//输出接点状态值

  o1=new double[hideNum];
  o2=new double[outNum];
  w=new double[inNum][hideNum];//隐含接点权值
  w1=new double[hideNum][outNum];//输出接点权值
  b1=new double[hideNum];//隐含接点阀值
  b2=new double[outNum];//输出接点阀值
  pp=new double[hideNum];
  qq=new double[outNum];
  yd=new double[outNum];

  for (int i=0;i<inNum;i++)
      for (int j=0;j<hideNum;j++)
      w[i][j]=R.nextDouble();
  for (int i=0;i<hideNum;i++)
      for (int j=0;j<outNum;j++)
      w1[i][j]=R.nextDouble();

  rate_w=0.05;//权值学习率（输入层-隐含层)
  rate_w1=0.05;//权值学习率 (隐含层-输出层)
  rate_b1=0.05;//隐含层阀值学习率
  rate_b2=0.05;//输出层阀值学习率
  e=0.0;
  in_rate=1.0;//输入归一化系数
  

  }


  /**********************************/
  /*****BP神经控制器算法训练函数*****/
  public void train(double p[][],double t[][],int samplenum){
  
  e=0.0;
  double pmax=0.0;
  for (int isamp=0;isamp<samplenum;isamp++){
      for (int i=0;i<inNum;i++)
          {if (Math.abs(p[isamp][i])>pmax)
              pmax=Math.abs(p[isamp][i]);
           if (Math.abs(t[isamp][i])>pmax)
              pmax=Math.abs(t[isamp][i]);
          }
      }//end for isamp


  in_rate=pmax;

 

  for(int isamp=0;isamp<samplenum;isamp++)//循环训练一次样本
  {
  for(int i=0;i<inNum;i++)
    x[i]=p[isamp][i]/in_rate;
  for(int i=0;i<outNum;i++)
    yd[i]=t[isamp][i]/in_rate;

  //构造每个样本的输入和输出标准


  for(int j=0;j<hideNum;j++)
   {o1[j]=0.0;
    for(int i=0;i<inNum;i++)
      o1[j]=o1[j]+w[i][j]*x[i];
    x1[j]=1.0/(1.+Math.exp(-o1[j]-b1[j]));
   }


 for(int k=0;k<outNum;k++)
   {o2[k]=0.0;
    for(int j=0;j<hideNum;j++)
      o2[k]=o2[k]+w1[j][k]*x1[j];
    x2[k]=1.0/(1.0+Math.exp(-o2[k]-b2[k]));
    //x2[k]=o2[k]-b2[k];
   }

    //System.out.println("ok1");
 for(int k=0;k<outNum;k++)
   {qq[k]=(yd[k]-x2[k])*x2[k]*(1.-x2[k]);
    //qq[k]=(yd[k]-x2[k]);
    e+=Math.abs(yd[k]-x2[k])*Math.abs(yd[k]-x2[k]);//计算均方差
    for(int j=0;j<hideNum;j++)
    w1[j][k]=w1[j][k]+rate_w1*qq[k]*x1[j];
   }



 for(int j=0;j<hideNum;j++)
   {
    pp[j]=0.0;
    for(int k=0;k<outNum;k++)
      pp[j]=pp[j]+qq[k]*w1[j][k];
    pp[j]=pp[j]*x1[j]*(1.-x1[j]);
    for(int i=0;i<inNum;i++)
       w[i][j]=w[i][j]+rate_w*pp[j]*x[i];
    }

 for(int k=0;k<outNum;k++)
   b2[k]=b2[k]+rate_b2*qq[k];
 for(int j=0;j<hideNum;j++)
   b1[j]=b1[j]+rate_b1*pp[j];


   }//end isamp样本循环
  e=Math.sqrt(e);

 }//end train
 /***************************************/
  /*****BP神经控制器算法模拟计算函数*****/
 public double[] sim(double psim[]){


  for(int i=0;i<inNum;i++)
    x[i]=psim[i]/in_rate;

  for(int j=0;j<hideNum;j++)
   {o1[j]=0.0;
    for(int i=0;i<inNum;i++)
      o1[j]=o1[j]+w[i][j]*x[i];
    x1[j]=1.0/(1.+Math.exp(-o1[j]-b1[j]));
   }
 for(int k=0;k<outNum;k++)
   {o2[k]=0.0;
    for(int j=0;j<hideNum;j++)
       o2[k]=o2[k]+w1[j][k]*x1[j];
    x2[k]=1.0/(1.0+Math.exp(-o2[k]-b2[k]));
    //x2[k]=o2[k]-b2[k];

    
   }
  

 return x2;
} //end sim

} //end bp class