bp_rbf.h

应用PSO训练神经网络Visual C++ 训练结果优于BP,该方法用于模式识别、知识挖掘等

#include<iostream.h>
#include<stdio.h>
#include<stdlib.h>
#include<malloc.h>
#include<math.h>
#include<string>
#include<time.h>

static char* p,**endpoint;
#define VAL(p) strtod(p,endpoint)
#define N_BUF (100+1)	//输入维数  +1
#define O_BUF 3			//输出维数
#define C_BUF 9			//隐藏层维数  +1
#define STUDY_SPEED 0.3 //学习速率
#define ALPHA    0.2	//冲动系数
#define EP       2e-5	//误差阈值
#define EP2      0.1
#define TEST_SETS   8
#define  EACH_LINE_OFFSET   40
static int N[3]={N_BUF,C_BUF,O_BUF};//各层的节点数

#define max_layer   3 //网络层数
#define max_node   (100+1) //层中最大的节点数

//PSO 部分
#define  NUMBER_OF_AGENTS	20	//PSO 的个体
#define  DIM  N_BUF * C_BUF + C_BUF * O_BUF	//个体运动的维数
#define  DIMRBF  C_BUF * O_BUF	//个体运动的维数

#define MAXXX       10
#define	MAXV		1.0
#define MAXITER		20000
static double u[max_layer][max_node];			//某一层某一节点的输出
static double w[max_layer][max_node][max_node];	//权值

static double xx[NUMBER_OF_AGENTS][DIM];
static double vx[NUMBER_OF_AGENTS][DIM];
static double pbstxx[NUMBER_OF_AGENTS][DIM];	//局部最优位置
static double pbest[NUMBER_OF_AGENTS];			//局部最优值

static double temp_w_1[max_layer][max_node][max_node];//w(k-1)
static double temp_w_2[max_layer][max_node][max_node];//w(k)
static double delta_w[max_layer][max_node][max_node];//冲动向量
static double wucha = 1;			//误差

bool endsampls = 0;					//样本集合是否训练完毕

double gaosi_yinzi[C_BUF];		//高斯核函数形状因子
static	int * theita[C_BUF];	//对于每一权向量的聚类集合

float input[N_BUF];				//输入向量
int  output[O_BUF];				//输出向量

int count=0;					//测试正确样本数量
int k_k = -1;

FILE *fp;//文件
FILE *fpwucha;

double e[max_layer][max_node];//误差函数对u的导数
double g[max_layer][max_node][max_node];//误差函数对w的导数，即梯度
int file_time=0;
int rbf_test_time=0;
int bp_test_time=0;