mybp.cpp

对样本数据进行了归一化处理的BP算法

#include "iostream.h"
#include "iomanip.h"
#include "stdlib.h"
#include "math.h"
#include "stdio.h"
#include "time.h"
#include "fstream.h"

//using namespace std;
#define N 10 //学习样本个数
#define IN 4 //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
//double PP[IN];//压缩后的样本数据
//double TT[ON];//压缩后的教师数据
double T[ON]; //单个样本教师数据
double W[HN][IN]; //输入层至隐层权值
double V[ON][HN]; //隐层至输出层权值

double X[HN]; //隐层的输入
double Y[ON]; //输入层的输入
double H[HN]; //隐层的输出
double O[ON]; //输出层的输出
double YU_HN[HN]; //隐层的阈值
double YU_ON[ON]; //输出层的阈值

double err_m[N]; //第m个样本的总误差
double a; //输出层至隐层的学习效率
double b; //隐层至输入层学习效率


//定义一个放学习样本的结构
struct
{
	double input[IN]; //输入在上面定义是一个	
	double teach[ON]; //输出在上面定义也是一个
}Study_Data[N];//学习样本
 
///////////////////////////
//初始化权、阈值子程序/////
///////////////////////////
initial()
{
//隐层权、阈值初始化//
	srand( (unsigned)time( NULL ) );

	for(int i=0;i<HN;i++)
	{
		for(int j=0;j<IN;j++)
			W[i][j]= (double)((rand()/32767.0)*2-1); //初始化输入层到隐层的权值，-1到1之间的随机值	
	}
	for(int ii=0;ii<ON;ii++)
	{
		for(int jj=0;jj<HN;jj++)
			V[ii][jj]= (double)((rand()/32767.0)*2-1); //初始化隐层到输出层的权值，-1到1之间的随机值	
	}
	for(int k=0;k<HN;k++)
	{
		YU_HN[k] = (double)((rand()/32767.0)*2-1);  //隐层阈值初始化 -1到1之间的随机值	
	}
	for(int kk=0;kk<ON;kk++)
	{
		YU_ON[kk] = (double)((rand()/32767.0)*2-1); //输出层阈值初始化 ,-1到1之间的随机值	
	}
  return 1;
}//子程序initial()结束



////////////////////////////////
////第m个学习样本输入子程序///
///////////////////////////////
input_P(int m)
{
	for (int i=0;i<IN;i++)
 		P[i]=Study_Data[m].input[i];
	//获得第m个样本的数据
	return 1;
}//子程序input_P(m）结束

/////////////////////////////
////第m个样本教师信号子程序//
/////////////////////////////
input_T(int m)
{
	for (int k=0;k<ON;k++)
 		T[k]=Study_Data[m].teach[k]; 
	return 1;
}//子程序input_T(m)结束


///////////////////////////
///////数据压缩子程序//////
///////////////////////////
/*compress()
{
	double max,min,temp;  
	double p[N*(IN+ON)];
	for(int i=0;i<IN;i++)
	{
		p[i]=P[i];
	}
	for(int j=0;j<ON;j++)
	{
		p[i+j]=T[j];
	}
	for(int ii=0;ii<IN+ON;ii++)
	{
		for(int jj=0;jj<IN+ON-ii;jj++)
		{
			if(p[jj]>p[jj+1])
			{
				temp=p[jj];
				p[jj]=p[jj+1];
				p[jj+1]=temp;
			}
		}
	}
	max=p[IN+ON-1];
	min=p[ON-1];
	for(int iii=0;iii<IN;iii++)
	{
		PP[iii]=0.1+0.8*(P[iii]-0.95*min)/(1.05*max-0.95*min);//压缩后的学生数据
	}
	for(int jjj=0;jjj<ON;jjj++)
	{
		TT[jjj]=0.1+0.8*(T[jjj]-0.95*min)/(1.05*max-0.95*min);//压缩后的教师数据
	}
	return 1;
}*/

//////////////////////////////////
//隐含层各单元输入、输出值子程序//
//////////////////////////////////
H_I_O()
{
	double sigma;
	int i,j;
	for (j=0;j<HN;j++)
	{
		sigma=0.0;
		for (i=0;i<IN;i++)
		{
			sigma+=W[j][i]*P[i];//求隐层内积
		}
		X[j]=sigma-YU_HN[i];//求隐层净输入，为什么减隐层的阀值
		H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 siglon算法
	}
	return 1;
}//子程序H_I_O()结束


///////////////////////////////////
//输出层各单元输入、输出值子程序///
///////////////////////////////////
O_I_O()
{
	double sigma;
	for (int k=0;k<ON;k++)
	{
 		sigma=0.0;
 		for (int j=0;j<HN;j++)
		{
 			sigma+=V[k][j]*H[k];//求输出层内积
		}
		Y[k]=sigma-YU_ON[k]; //求输出层净输入
		O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出
	}
	return 1;
}//子程序O_I_O()结束


////////////////////////////////////
//输出层至隐层的一般化误差子程序////
////////////////////////////////////
double d_err[ON];

Err_O_H(int m)
{
	double abs_err[ON];//每个样本的绝对误差都是从0开始的
	double sqr_err=0.0;//每个样本的平方误差计算都是从0开始的
	for (int k=0;k<ON;k++)
	{
  		abs_err[k]=T[k]-O[k];
		//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
	}
	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;
}//子程序Err_O_H(m)结束


////////////////////////////////////
//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 j=0;j<HN;j++) 
	{
  		sigma=0.0;
  		for (int k=0;k<ON;k++) 
		{
      			sigma=d_err[k]*V[k][j];
		}
		e_err[j]=sigma*H[j]*(1-H[j]);//隐层各神经元的一般化误差
	}
	return 1;
}//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//////
////////////////////////////////////////////////////////
Delta_O_H(int m)
{
	for (int k=0;k<ON;k++)
	{
		for (int j=0;j<HN;j++)
		{
			V[k][j]+=a*d_err[k]*H[j];//输出层至隐层的权值调整
		}
		YU_ON[k]+=a*d_err[k];//输出层至隐层的阈值调整
	}
	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)
{
	for (int j=0;j<HN;j++)
	{
		for (int i=0;i<IN;i++) 
		{
			W[j][i]+=b*e_err[j]*P[i];//隐层至输入层的权值调整
		}
		YU_HN[j]+=b*e_err[j];
	}
	return 1;
}//子程序Delta_H_I()结束



/////////////////////////////////
//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
	}
	return total_err;
}//子程序Err_sum()结束



 int DataCompress()
{
	ifstream GetTrainingData ( "训练样本.txt ", ios::in);
	ofstream CompressingData ("归一化训练样本.txt ", ios::out);
	double max,min;   
//	double temp;
	double p[N*(IN+ON)+1];
	for(int i=0; i < N*(IN+ON); i++)
	{
		GetTrainingData>>p[i];
	}
	max=p[0];
	for (int o = 1; o < N*(IN+ON); o++)
	{
		if(max<p[o])
			max=p[o];
	}
	min=p[0];
	for (int e = 1; e < N*(IN+ON); e++)
	{
		if(min>p[e])
			min=p[e];
	}
	for(int iii=0; iii < N*(IN+ON); iii++)
	{
		p[iii] = 0.1+0.8*(p[iii]-0.95*min)/(1.05*max-0.95*min);
	//	p[iii] = (p[iii]-min)/(max-min);
	}
	for(int k = 0; k < N*(IN+ON); k++)
	{
		if(k%(IN+ON)==0)
			CompressingData<<"\n";
		CompressingData<<p[k]<<"  ";
	}
	GetTrainingData.close();
	CompressingData.close();
	return 1;
}
int GetCompressingData()
{
	ifstream GetCompressingData("归一化训练样本.txt",ios::in);
	for(int m=0;m<N;m++)
	{
		for(int i=0;i<IN;i++)
		{
			GetCompressingData>>Study_Data[m].input[i];  //取得归一化后的输入数据
		}
		for(int j=0;j<ON;j++)
		{
			GetCompressingData>>Study_Data[m].teach[j];  //取得归一化后的输出数据
		}
	}
	GetCompressingData.close();
	return 1;

}

///////////////////////
///保存权值和阈值/////
//////////////////////
void savequan()
{
	ofstream outQuanFile( "权值.txt", ios::out );
	ofstream outYuFile( "阈值.txt", ios::out );
	outQuanFile<<"A\n";
	for(int i=0;i<HN;i++)
	{
		for(int j=0;j<IN;j++)
		{
			outQuanFile<<W[i][j]<<"   ";
		}
		outQuanFile<<"\n";
	}
	outQuanFile<<"B\n";
	for(int ii=0;ii<ON;ii++)
	{
		for(int jj=0;jj<HN;jj++)
		{
			outQuanFile<<V[ii][jj]<<"   ";
		}
		outQuanFile<<"\n";
	}

	for(int k=0;k<ON;k++)
	{
		outYuFile<<YU_ON[k]<<"   ";  //输出层阈值写入文本
	}
	outYuFile<<"\n\n";
	for(int kk=0;kk<HN;kk++)
	{
		outYuFile<<YU_HN[kk]<<"  ";  //隐层阈值写入文本
	}
	outQuanFile.close();
	outYuFile.close();
}
/**********************/
/**程序入口，即主程序**/
/**********************/
void main()
{

	double sum_err;
	int study;//训练次数

	a = 0.7;
	b = 0.7;

	study=0; //学习次数
	double Pre_error ; //预定误差
	Pre_error = 0.01;

	DataCompress();
	GetCompressingData();
	initial(); //隐层、输出层权、阈值初始化 (1) 

	do
	{
	++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)
		//	compress();//压缩样本数据
			H_I_O(); //第m个学习样本隐层各单元输入、输出值 (4)
			O_I_O(); //第m个学习样本输出层各单元输入、输出值 (5)
			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); //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); //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)
	cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl;

	}while (sum_err > Pre_error); 
	cout<<"网络已经学习了"<<study<<"次,学习的均方误差为"<<sum_err<<endl;
	savequan();
}