神经网络bp.txt

是BP神经网络的改进源程序

 m_isOK=true; 
else 
 m_isOK=false; 

} 

void CBpNet::stop() 
{ 
 m_IsStop=true; 
} 

double CBpNet::randab(double a, double b) 
{ //注意，如果应用矩阵库，头文件matlib.h对rand()函数重新定义，只产生（0，1） 

  //之间的随机数 
  return((b-a)*rand()+a); 
} 

//将数据转化到(0,1)区间 
void CBpNet::normalize() 
{ 
  
 int i,j; 
  //输入数据范围 
  mInputNormFactor=scope(mSampleInput); 
  //目标数据范围 
  mTargetNormFactor=scope(mSampleTarget); 

 for(i=1;i<=mSampleInput.rows();i++) 
 for(j=1;j<=mSampleInput.cols();j++) 
 mSampleInput.r(i,j)=(mSampleInput.r(i,j)-mInputNormFactor.r(j,1))/(mInputNo
rmFactor.r(j,2)-mInputNormFactor.r(j,1)); 
  
 for(i=1;i<=mSampleTarget.rows();i++) 
 for(j=1;j<=mSampleTarget.cols();j++) 
 mSampleTarget.r(i,j)=(mSampleTarget.r(i,j)-mTargetNormFactor.r(j,1))/(mTarg
etNormFactor.r(j,2)-mTargetNormFactor.r(j,1)); 
  
} 

//前向计算  
void CBpNet::forward(int iSample) 
{//根据第iSample个样本，前向计算 
if(iSample<1||iSample>mSampleInput.rows()){ 
MessageBox(NULL,"无此样本数据:索引出界!","无此样本数据:索引出界!",MB_OK); 
return; 
} 
int i,j; 
double sum=0.0; 

//输入层数据 
for(i=1;i<=iInput;i++) 
mInput.r(i)=mSampleInput.r(iSample,i); 

//隐层数据 
     
for(j=1;j<=iHidden;j++){ 
sum=0.0; 
for(i=1;i<=iInput;i++) 
sum+=mInput.r(i)*mWeighti.r(i,j); 

sum-=mThresholdi.r(j);  
mHidden.r(j)=1.0/(1.0+exp(-sum)); 
} 
     
//输出数据 
for(j=1;j<=iOutput;j++){ 
sum=0.0; 
for(i=1;i<=iHidden;i++) 
sum+=mHidden.r(i)*mWeighto.r(i,j); 
sum-=mThresholdo.r(j);  
mOutput.r(j)=1.0/(1.0+exp(-sum)); 
} 
    
} 

//后向反馈 
void CBpNet::backward(int iSample) 
{ 
if(iSample<1||iSample>mSampleInput.rows()){ 
MessageBox(NULL,"无此样本数据:索引出界!","无此样本数据:索引出界!",MB_OK); 
return; 
} 
    int i,j; 

    //输出误差 
for(i=1;i<=iOutput;i++) 
mOutputDeltas.r(i)=mOutput.r(i)*(1-mOutput.r(i))*(mSampleTarget.r(iSample,i)
-mOutput.r(i)); 

//隐层误差 
double sum=0.0; 
for(j=1;j<=iHidden;j++){ 
sum=0.0; 
for(i=1;i<=iOutput;i++) 
sum+=mOutputDeltas.r(i)*mWeighto.r(j,i); 
mHiddenDeltas.r(j)=mHidden.r(j)*(1-mHidden.r(j))*sum; 
} 
//更新隐层－输出权重 

double dblChange; 
for(j=1;j<=iHidden;j++) 
for(i=1;i<=iOutput;i++){ 
dblChange=mOutputDeltas.r(i)*mHidden.r(j); 
mWeighto.r(j,i)=mWeighto.r(j,i)+dblLearnRate2*dblChange+dblMomentumFactor*m
Changeo.r(j,i); 
mChangeo.r(j,i)=dblChange; 
} 
     
//更新输入－隐层权重 
    for(i=1;i<=iInput;i++) 
for(j=1;j<=iHidden;j++){ 
dblChange=mHiddenDeltas.r(j)*mInput.r(i); 
            mWeighti.r(i,j)=mWeighti.r(i,j)+dblLearnRate1*dblChange+dblMomentu
mFactor*mChangei.r(i,j);  
mChangei.r(i,j)=dblChange; 
} 
//修改阙值 
for(j=1;j<=iOutput;j++) 
    mThresholdo.r(j)-=dblLearnRate2*mOutputDeltas.r(j);   
for(i=1;i<=iHidden;i++)  
    mThresholdi.r(i)-=dblLearnRate1*mHiddenDeltas.r(i);  
    //计算误差 
dblErr=0.0; 
for(i=1;i<=iOutput;i++) 
dblErr+=0.5*(mSampleTarget.r(iSample,i)-mOutput.r(i))*(mSampleTarget.r(iSamp
le,i)-mOutput.r(i)); 

    
} 

//求数据列的范围 
Mm CBpNet::scope(Mm mData) 
{Mm mScope; 
 mScope=zeros(mData.cols(),2); 
 double  min,max; 
 for(int i=1;i<=mData.cols();i++){ 
 min=max=mData.r(1,i);  
 for(int j=1;j<=mData.rows();j++){ 
 if(mData.r(j,i)>=max) 
 max=mData.r(j,i); 
 if(mData.r(j,i)<=min) 
 min=mData.r(j,i); 
 } 
 if(min==max) 
 min=0.0; 
 mScope.r(i,1)=min; 
 mScope.r(i,2)=max; 
 } 
 return(mScope); 

} 

//显示矩阵数据，方便调试 
void CBpNet::display(Mm data) 
{CString strData,strTemp; 
 int i=1,j=1; 
 for(i=1;i<=data.rows();i++){ 
 for(j=1;j<=data.cols();j++){ 
 strTemp.Format("%.3f ",data.r(i,j)); 
 strData+=strTemp; 
 } 
 strData=strData+"\r\n"; 
 } 
 ::MessageBox(NULL,strData,"",MB_OK); 

} 

void CBpNet::Serialize(CArchive &ar) 
{CObject::Serialize(ar); 
 /////////////////////////////////////  
if(ar.IsStoring()){ 
     int i,j; 
 double dblData; 
 CString strTemp="Bp"; 
 ar<<strTemp;//写入标志 
//纪录神经元个数 
 ar<<iInput<<iHidden<<iOutput; 
    //纪录权值 
 for(i=1;i<=iInput;i++) 
 for(j=1;j<=iHidden;j++){ 
 dblData=mWeighti.r(i,j); 
     ar<<dblData; 
 } 
     for(i=1;i<=iHidden;i++) 
 for(j=1;j<=iOutput;j++){ 
 dblData=mWeighto.r(i,j); 
 ar<<dblData; 
 } 

      //记录权值变化 
 for(j=1;j<=iHidden;j++) 
for(i=1;i<=iOutput;i++) 
ar<<mChangeo.r(j,i); 

    //输入－隐层权重变化 
     for(i=1;i<=iInput;i++) 
for(j=1;j<=iHidden;j++) 
ar<<mChangei.r(i,j); 

      //纪录阙值 
 for(i=1;i<=iHidden;i++){ 
              dblData=mThresholdi.r(i); 
  ar<<dblData; 
  } 
     for(i=1;i<=iOutput;i++){ 
      dblData=mThresholdo.r(i); 
  ar<<dblData; 
  } 
     //纪录输入输出的极值 
 for(i=1;i<=iInput;i++){ 
  dblData=mInputNormFactor.r(i,1); 
  ar<<dblData; //极小值 
  dblData=mInputNormFactor.r(i,2); 
  ar<<dblData; //极大值 
         } 
 for(i=1;i<=iOutput;i++) 
 {dblData=mTargetNormFactor.r(i,1); 
  ar<<dblData; //输出数据极小值 
  dblData=mTargetNormFactor.r(i,2); 
  ar<<dblData;  
 } 
 //误差范围 
 ar<<dblMse;  
 //学习速率 
 ar<<dblLearnRate1<<dblLearnRate2; 
  
} 
          
 else{ 
 int i,j; 
 CString strTemp=""; 
 double dblTemp; 
 ar>>strTemp;//读入标志 
//读入神经元个数 
 ar>>iInput>>iHidden>>iOutput; 
 mChangei=zeros(iInput,iHidden); 
     mChangeo=zeros(iHidden,iOutput); 
 mWeighti=zeros(iInput,iHidden); 
 mWeighto=zeros(iHidden,iOutput); 
    //读入权值 
 for(i=1;i<=iInput;i++) 
  for(j=1;j<=iHidden;j++) 
  { ar>>dblTemp; 
    mWeighti.r(i,j)=dblTemp; 
  } 
     
     for(i=1;i<=iHidden;i++) 
 for(j=1;j<=iOutput;j++) 
 { ar>>dblTemp; 
   mWeighto.r(i,j)=dblTemp; 
 } 

 //读入权值变化 
 for(j=1;j<=iHidden;j++) 
for(i=1;i<=iOutput;i++) 
ar>>mChangeo.r(j,i); 

     //输入－隐层权重 
     for(i=1;i<=iInput;i++) 
for(j=1;j<=iHidden;j++) 
ar>>mChangei.r(i,j); 

     //读入阙值 
     mThresholdi=zeros(1,iHidden); 
 for(i=1;i<=iHidden;i++) 
 {ar>>dblTemp; 
  mThresholdi.r(i)=dblTemp; 
 } 
 mThresholdo=zeros(1,iOutput); 
     for(i=1;i<=iOutput;i++) 
 {ar>>dblTemp; 
  mThresholdo.r(i)=dblTemp; 
 } 
     //读入输入输出的极值 
     mInputNormFactor=zeros(iInput,2); 
 for(i=1;i<=iInput;i++){ 
  ar>>dblTemp; 
  mInputNormFactor.r(i,1)=dblTemp; //极小值 
  ar>>dblTemp; 
  mInputNormFactor.r(i,2)=dblTemp; //极大值 
         } 
 mTargetNormFactor=zeros(iOutput,2); 
 for(i=1;i<=iOutput;i++) 
 {ar>>dblTemp; 
      mTargetNormFactor.r(i,1)=dblTemp; //输出数据极小值 
  ar>>dblTemp; 
  mTargetNormFactor.r(i,2)=dblTemp;  
 } 
 //读入误差范围 
 ar>>dblMse;  
 //读入学习速率 
 ar>>dblLearnRate1>>dblLearnRate2; 
  

 //创建计算用的单个样本矩阵 
     mInput=zeros(1,iInput); 
     mHidden=zeros(1,iHidden); 
     mOutput=zeros(1,iOutput); 
 //误差矩阵 
 mOutputDeltas=zeros(iOutput); 
 mHiddenDeltas=zeros(iHidden); 
      
 } 

} 

//如果不是新网络，比如从文件恢复的网络，调用此函数构建学习样本 
void CBpNet::LoadPattern(Mm mIn, Mm mOut) 
{ if(mIn.cols()!=iInput||mOut.cols()!=iOutput){ 
::MessageBox( NULL,"学习样本格式错误!","错误",MB_OK); 
return; 
} 
  mSampleInput=zeros(mIn.rows(),mIn.cols()); 
  mSampleTarget=zeros(mOut.rows(),mOut.cols());   
  mSampleInput=mIn; 
  mSampleTarget=mOut; 
     
  m_isOK=false; 
  m_IsStop=false; 
  lEpochs=0; 
  dblMomentumFactor=0.95; 
  dblError=1.0; 
}