nn-bp.cpp

众所周知

//C++的BP算法源程序 

#include "iostream.h" 
#include "iomanip.h" 
#define N 20 //学习样本个数 
#define IN 1 //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 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]; //输出层的输入 
double H[HN]; //隐层的输出 
double O[ON]; //输出层的输出 
double sita[HN]; //隐层的阈值 
double gama[ON]; //输出层的阈值 
double err_m[N]; //第m个样本的总误差 
double alpha; //输出层至隐层的学习效率 
double beta; //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]; 
double teach[ON]; 
}Study_Data[N][IN]; 

/////////////////////////// 
//初始化权、阈值子程序///// 
/////////////////////////// 
initial() 
{ 
float sgn; 
float rnd; 


int i,j; 
//隐层权、阈值初始化// 
{ 
//sgn=pow((-1),random(100)); 
sgn=rand(); 
rnd=sgn*(rand()%100); 
W[j]= rnd/100;//隐层权值初始化。 
} 
//randomize(); 
{ 
//sgn=pow((-1),random(1000)); 
sgn=rand(); 
rnd=sgn*(rand()%1000); 
sita[j]= rnd/1000;//中间层阈值初始化 
cout<<"sita"<<sita[j]<<endl; 
} 
//输出层权、阈值初始化// 
//randomize(); 
for (int k=0;k<ON;k++) 
for (int j=0;j<HN;j++) 
{ 
//sgn=pow((-1),random(1000)); 


sgn=rand(); 
rnd=sgn*(rand()%1000); 
V[k][j]=rnd/1000;//第m个样本输出层权值初始化 
} 
//randomize(); 
{ 
//sgn=pow((-1),random(10)); 
sgn=rand(); 
rnd=sgn*(rand()%10); 
gama[k]=rnd/10;//输出层阈值初始化 
cout<<"gama[k]"<<endl; 
} 
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=Study_Data[m]->input; 
//获得第m个样本的数据 
//cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： 
//P[%d]=%f\n",m,P); 
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<m;k++) 
T[k]=Study_Data[m]->teach[k]; 
//cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[%d]=%f\n",m,T[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 sigma; 
int i,j; 
for (j=0;j<HN;j++) 
sigma=0.0; 
for (i=0;i<IN;i++) 
sigma+=W[j]*P;//求隐层内积 
} 
X[j]=sigma - sita;//求隐层净输入 
H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 
} 
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-gama[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 output=0;output<ON;output++)  //output??? 
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 hidden=0;hidden 
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,FILE* fp) 
{ 
for (int k=0;k<ON;k++) 
for (int j=0;j<HN;j++) 
//cout<<"第"< fprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,W[k][j 
]); 
V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 
} 
gama[k]+=alpha*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,FILE* fp) 


{ 
for (int j=0;j<HN;j++) 
for (int i=0;i<IN;i++) 
//cout<<"第"< fprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,V[j]
); 
W[j]+=beta*e_err[j]*P;//隐层至输入层的权值调整 
} 
sita[j]+=beta*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 1; 


}//子程序Err_sum()结束 

/**********************/ 
/**程序入口，即主程序**/ 
/**********************/ 
main() 
{ 
FILE *fp; 
double sum_err; 
int study;//训练次数 

if ((fp=fopen("bp.txt","a+"))==NULL) 
{ 
printf("不能创建bp.txt文件!\n"); 
exit(1); 
} 
cout<<"请输入输出层到隐含层学习效率: alpha=\n"; 
cin>>alpha; 

cout<<"请输入隐含层到输入层学习效率: beta=\n"; 
cin>>beta; 



int study=0; //学习次数 
double Pre_error ; //预定误差 
cout<<"请输入预定误差: Pre_error= \n"; 
cin>>Pre_error; 

int Pre_times; 
cout<<"请输入预定最大学习次数:Pre_times=\n"; 
cin>>Pre_times; 

cout<<"请输入学习样本数据\n"; 
{ 
for (int m=0;m<N;m++) 
cout<<"请输入第"<<m+1<<"组学习样本"<<endl; 
for (int i=0;i<IN;i++) 
 cin>>Study_Data[m]->input; 
} 
{ 
for (int m=0;m<N;m++) 
cout<<"请输入第"<<m+1<<"组教师样本"<<endl; 
for (int k=0;k<ON;k++) 
cin>>Study_Data[m]->teach[k]; 
} 



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) 
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,fp); //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,fp); //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; 
fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); 
} 


while (sum_err > Pre_error)    //or(study 
{ //N个样本全局误差小于预定误差否？ 小于则退出 (11) 
cout<<"网络已经学习了"<<study<<"次,学习的均方误差为"<<sum_err<<endl; 
fprintf(fp,"网络已经学习了%d次，现在的全局误差为：%f\n",study,total_err); 
fclose(fp); 
} 
char s; 
cout<<"请随便输入一个字符，按回车退出程序！\n"; 
cin>>s; 
return 1; 
}