神经网络原代码.txt

现在关于神经网络的程序大多都是用MATLAB语言编写的

////////////////////////////////////////////////////////
//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();
}