bp.cpp

一个非常好的BP神经网络VC++源代码

#include "iostream.h"
#include "iomanip.h"
#include "stdlib.h"
#include "math.h"
#include "stdio.h"
#include "time.h"
#include "fstream.h"
#define N 11 //学习样本个数
#define IN 5 //输入层神经元数目
#define HN 8 //隐层神经元数目
#define HC 3 //隐层层数
#define ON 3 //输出层神经元数目
#define Z 200000 //旧权值保存-》每次study的权值都保存下来
double P[IN]; //单个样本输入数据
double T[ON]; //单个样本教师数据
double U11[HN][IN]; //输入层至第一隐层权值
double U12[HN][HN]; //第一隐层至第二隐层权值
double U23[HN][HN]; //第二隐层至第三隐层权值
double V[ON][HN]; //第三隐层至输出层权值
double X1[HN]; //第一隐层的输入
double X2[HN]; //第二隐层的输入
double X3[HN]; //第三隐层的输入
double Y[ON]; //输出层的输入
double H1[HN]; //第一隐层的输出
double H2[HN]; //第二隐层的输出
double H3[HN]; //第三隐层的输出
double O[ON]; //输出层的输出
double YU_HN1[HN]; //第一隐层的阈值
double YU_HN2[HN]; //第二隐层的阈值
double YU_HN3[HN]; //第三隐层的阈值
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; //学习效率
double alpha;  //动量因子

//定义一个放学习样本的结构
struct {
double input[IN]; //输入在上面定义是五个	
double teach[ON]; //输出在上面定义是三个
}Study_Data[N];//学习样本

//bp算法用来保存每次计算的权值
struct {
double old_U11[HN][IN];  //保存输入层至隐层权值旧权
double old_U12[HN][HN]; //保存第一隐层至第二隐层权值
double old_U23[HN][HN]; //保存第二隐层至第三隐层权值
double old_V[ON][HN];  //保存第三隐层至输出层旧权
}Old_WV[Z];
 

saveWV(int m)
{
	for(int i=0;i<HN;i++)
	{
		for(int j=0;j<IN;j++)
		{
			Old_WV[m].old_U11[i][j] = U11[i][j];
		}
	}

	for(int i1=0;i1<HN;i1++)
	{
		for(int j1=0;j1<HN;j1++)
		{
			Old_WV[m].old_U12[i1][j1] = U12[i1][j1];
		}
	}

	for(int i2=0;i2<HN;i2++)
	{
		for(int j2=0;j2<HN;j2++)
		{
			Old_WV[m].old_U23[i2][j2] = U23[i2][j2];
		}
	}
	for(int i3=0;i3<ON;i3++)
	{
		for(int j3=0;j3<HN;j3++)
		{
			Old_WV[m].old_V[i3][j3] = V[i3][j3];
		}
	}
	return 1;
}
///////////////////////////
//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++)
			U11[i][j]= (double)((rand()/32767.0)*2-1); //初始化输入层到第一隐层的权值，随机模拟0 和 1 -1	
	}
	for(int i1=0;i1<HN;i1++)
	{
		for(int j1=0;j1<HN;j1++)
			U12[i1][j1]= (double)((rand()/32767.0)*2-1); //初始化第一隐层到第二隐层权值，随机模拟0 和 1 -1	
	}
	for(int i2=0;i2<HN;i2++)
	{
		for(int j2=0;j2<HN;j2++)
			U23[i2][j2]= (double)((rand()/32767.0)*2-1); //初始化第二隐层到第三隐层权值，随机模拟0 和 1 -1	
	}
	for(int i3=0;i3<ON;i3++)
	{
		for(int j3=0;j3<HN;j3++)
			V[i3][j3]= (double)((rand()/32767.0)*2-1); //初始化隐层到输出层的权值，随机模拟0 和 1 -1
	}
	for(int k=0;k<HN;k++)
	{
		YU_HN1[k] = (double)((rand()/32767.0)*2-1);  //第一隐层阈值初始化 ,-0.01 ~ 0.01 之间
	}
	for(int k1=0;k1<HN;k1++)
	{
		YU_HN2[k] = (double)((rand()/32767.0)*2-1);  //第二隐层阈值初始化 ,-0.01 ~ 0.01 之间
	}
    for(int k2=0;k2<HN;k2++)
	{
		YU_HN3[k] = (double)((rand()/32767.0)*2-1);  //第三隐层阈值初始化 ,-0.01 ~ 0.01 之间
	}
	for(int kk=0;kk<ON;kk++)
	{
		YU_ON[kk] = (double)((rand()/32767.0)*2-1); //输出层阈值初始化 ,-0.01 ~ 0.01 之间
	}
  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


/////////////////////////////////
//隐层各单元输入、输出值子程序///
/////////////////////////////////
H_I_O()
{
double sigma1,sigma2,sigma3;
int i,i1,i2,j,j1,j2;
for (j=0;j<HN;j++)
{
sigma1=0.0;
	for (i=0;i<IN;i++)
		sigma1+=U11[j][i]*P[i];//求第一隐层内积
		
X1[j]=sigma1 - YU_HN1[j];//求第一隐层净输入
H1[j]=1.0/(1.0+exp(-X1[j]));//求第一隐层输出sigmoid算法
}
for (j1=0;j1<HN;j1++)
{
sigma2=0.0;
	for (i1=0;i1<HN;i1++)
		sigma2+=U12[j1][i1]*H1[i];//求第二隐层内积
		
X2[j]=sigma2 - YU_HN2[j];//求第二隐层净输入
H2[j]=1.0/(1.0+exp(-X2[j]));//求第二隐层输出sigmoid算法
}
for (j2=0;j2<HN;j2++)
{
sigma3=0.0;
	for (i2=0;i2<HN;i2++)
		sigma3+=U23[j2][i2]*H2[i];//求第三隐层内积
		
X3[j]=sigma3 - YU_HN3[j];//求第三隐层净输入
H3[j]=1.0/(1.0+exp(-X3[j]));//求第三隐层输出sigmoid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]*H3[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;//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_err3[HN];//定义第三隐层各神经元的一般化误差
double e_err2[HN];//定义第二隐层各神经元的一般化误差
double e_err1[HN];//定义第一隐层各神经元的一般化误差
Err_H_I()
{
double sigma3,sigma2,sigma1;
for (int j3=0;j3<HN;j3++) 
{
  sigma3=0.0;
  for (int k3=0;k3<ON;k3++) 
  {
      sigma3=d_err[k3]*V[k3][j3];
  }
  e_err3[j3]=sigma3*H3[j3]*(1-H3[j3]);//第三隐层各神经元的一般化误差
}
for (int j2=0;j2<HN;j2++) 
{
  sigma2=0.0;
  for (int k2=0;k2<HN;k2++) 
  {
      sigma2=d_err[k2]*V[k2][j2];
  }
  e_err2[j2]=sigma2*H2[j2]*(1-H2[j2]);//第二隐层各神经元的一般化误差
}
for (int j1=0;j1<HN;j1++) 
{
  sigma1=0.0;
  for (int k1=0;k1<HN;k1++) 
  {
      sigma1=d_err[k1]*V[k1][j1];
  }
  e_err1[j1]=sigma1*H1[j1]*(1-H1[j1]);//第一隐层各神经元的一般化误差
}
return 1;
}//子程序Err_H_I()结束


////////////////////////////////////////////////////////
//输出层至第三隐层的权值调整、输出层阈值调整计算子程序//////
////////////////////////////////////////////////////////
Delta_O_H3(int m,int n)
{
if(n<=1)
{
	for (int k=0;k<ON;k++)
	{
		for (int j=0;j<HN;j++)
		{
			V[k][j]=V[k][j]-a*d_err[k]*H3[j];//输出层至第三隐层的权值调整
		}
	    YU_ON[k]-=a*d_err[k];//输出层阈值调整
	}
}
else if(n>1)
{
	for (int k=0;k<ON;k++)
	{
		for (int j=0;j<HN;j++)
		{
			V[k][j]=V[k][j]+a*d_err[k]*H3[j]+alpha*(V[k][j]-Old_WV[(n-1)].old_V[k][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_H3()结束



///////////////////////////////////////////////////////////////
//第三隐层至第二隐层的权值调整、第三隐层阈值调整计算子程序/////
///////////////////////////////////////////////////////////////
Delta_H3_H2(int m,int n)
{
if(n<=1)
{
	for (int k=0;k<HN;k++)
	{
		for (int j=0;j<HN;j++)
		{
			U23[k][j]=U23[k][j]-a*e_err3[k]*H2[j];//第二隐层至第三隐层层的权值调整
		}
	    YU_HN3[k]-=a*e_err3[k];//第三隐层阈值调整
	}
}		
else if(n>1)
{
	for (int k=0;k<HN;k++)
	{
		for (int j=0;j<HN;j++)
		{
		   U23[k][j]=U23[k][j]+a*e_err3[k]*H2[j]+alpha*(U23[k][j]-Old_WV[(n-1)].old_U23[k][j]);//第二隐层至第三隐层层的权值调整
		}
	    YU_HN3[k]-=a*e_err3[k];//第三隐层阈值调整
	}
}
return 1;
}//子程序Delta_H3_H2()结束


///////////////////////////////////////////////////////////////
//第二隐层至第一隐层的权值调整、第二隐层阈值调整计算子程序/////
///////////////////////////////////////////////////////////////
Delta_H2_H1(int m,int n)
{
if(n<=1)
{
	for (int k=0;k<HN;k++)
	{
		for (int j=0;j<HN;j++)
		{
			U12[k][j]=U12[k][j]-a*e_err2[k]*H1[j];//第一隐层至第二隐层层的权值调整
		}
	    YU_HN2[k]-=a*e_err2[k];//第二隐层阈值调整
	}
}		
else if(n>1)
{
	for (int k=0;k<HN;k++)
	{
		for (int j=0;j<HN;j++)
		{
		   U12[k][j]=U12[k][j]+a*e_err2[k]*H1[j]+alpha*(U12[k][j]-Old_WV[(n-1)].old_U12[k][j]);//第一隐层至第二隐层层的权值调整
		}
	    YU_HN2[k]-=a*e_err2[k];//第二隐层阈值调整
	}
}
return 1;
}//子程序Delta_H2_H1()结束


/////////////////////////////////////////////////////////////
//第一隐层至输入层的权值调整、第一隐层阈值调整计算子程序/////
/////////////////////////////////////////////////////////////
Delta_H1_I(int m,int n)
{

if(n<=1)
{
	for (int j=0;j<HN;j++)
	{
		for (int i=0;i<IN;i++) 
		{
			U11[j][i]=U11[j][i]+a*e_err1[j]*P[i];//第一隐层至输入层的权值调整
		}
	YU_HN1[j]+=a*e_err1[j];//第一隐层阈值调整
	}
}
else if(n>1)
{
	for (int j=0;j<HN;j++)
	{
		for (int i=0;i<IN;i++) 
		{
			U11[j][i]=U11[j][i]+a*e_err1[j]*P[i]+alpha*(U11[j][i]-Old_WV[(n-1)].old_U11[j][i]);//第一隐层至输入层的权值调整
		}
	YU_HN1[j]+=a*e_err1[j];//第一隐层阈值调整
	}
}
return 1;
}//子程序Delta_H1_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



GetTrainingData()
{
	ifstream GetTrainingData ( "训练样本.txt", ios::in );

	for(int m=0;m<N;m++)
	{
		for(int i=0;i<IN;i++)
		{
			GetTrainingData>>Study_Data[m].input[i];  //取得输入数据
		}
		for(int j=0;j<ON;j++)
		{
			GetTrainingData>>Study_Data[m].teach[j];  //取得输出数据
		}
	}

	GetTrainingData.close();
	return 1;
}


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<<U11[i][j]<<"   "; 
		}
		outQuanFile<<"\n";

	}//取得输入层至第一隐层权值
	outQuanFile<<"B\n";
	for(int i1=0;i1<HN;i1++)
	{
		for(int j1=0;j1<HN;j1++)
		{
			outQuanFile<<U12[i1][j1]<<"   ";
		}
		outQuanFile<<"\n";
	}//取得第一隐层至第二隐层权值
	outQuanFile<<"C\n";
	for(int i2=0;i2<HN;i2++)
	{
		for(int j2=0;j2<HN;j2++)
		{
			outQuanFile<<U23[i2][j2]<<"   ";
		}
		outQuanFile<<"\n";

	}//取得第二隐层至第三隐层权值
	outQuanFile<<"D\n";
	for(int i3=0;i3<ON;i3++)
	{
		for(int j3=0;j3<HN;j3++)
		{
			outQuanFile<<V[i3][j3]<<"   ";
		}
		outQuanFile<<"\n";
	}//取得第三隐层至输出层权值
	outYuFile<<"\n第一隐层的阈值为:\n";
	for(int k1=0;k1<HN;k1++)
	{
		outYuFile<<YU_HN1[k1]<<"  ";  //隐层阈值写入文本
	}
	outYuFile<<"\n第二隐层的阈值为:\n";
	for(int k2=0;k2<HN;k2++)
	{
		outYuFile<<YU_HN2[k2]<<"  ";  //隐层阈值写入文本
	}
	outYuFile<<"\n第三隐层的阈值为:\n";
	for(int k3=0;k3<HN;k3++)
	{
		outYuFile<<YU_HN3[k3]<<"  ";  //隐层阈值写入文本
	}
	outYuFile<<"输出层的阈值为:\n";
	for(int k=0;k<ON;k++)
	{
		outYuFile<<YU_ON[k]<<"  ";  //输出层阈值写入文本
	}
	outQuanFile.close();
}
/**********************/
/**程序入口，即主程序**/
/**********************/
void main()
{

double sum_err;
int study;//训练次数
double a = 0.6;//学习速率，即步长
double alpha = 0.8;  //动量因子
study=0; //学习次数
double Pre_error ; //预定误差
Pre_error = 0.0001;
int Pre_times;
Pre_times = 200;
GetTrainingData();//输入样本 (1)
initial(); //隐层、输出层权、阈值初始化  (2)
do
{
++study; 
for (int m=0;m<N;m++) 
{
input_P(m); //输入第m个学习样本 
input_T(m);//输入第m个样本的教师信号 
H_I_O(); //第m个学习样本隐层各神经元输入、输出值 
O_I_O(); //第m个学习样本输出层各神经元输入、输出值 (3)
Err_O_H(m); //第m个学习样本输出层至隐层一般化误差  
Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (4)
Delta_O_H3(m,study); //第m个学习样本输出层至第三隐层权值、阈值调整、修改
Delta_H3_H2(m,study); //第m个学习样本第三隐层至第二隐层的权值、阈值调整、修改
Delta_H2_H1(m,study); //第m个学习样本第二隐层至第一隐层的权值、阈值调整、修改
Delta_H1_I(m,study); //第m个学习样本第一隐层至输入层的权值、阈值调整、修改  (5)  
} //全部样本训练完毕
sum_err=Err_Sum(); //全部样本全局误差计算  
saveWV(study);  //把本次的学习权值全保存到数组
cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl;
}while (sum_err > Pre_error);           //  (6)
cout<<"网络已经学习了"<<study<<"次,学习的均方误差为"<<sum_err<<endl;
savequan();
}