bp1.cpp

调试通过了的BP神经网络

// BP1.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"

#include <math.h>
#include <iostream>
#include <iomanip>
using namespace std;
#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=0.6; //输出层至隐层的学习效率
double beta=0.8; //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];

double data_in[N][IN]=
{{5.7},{1.3},{4.7},
{8.2},
{3.9},
{6.1},
{9.9},
{6.7},
{3.3},
{8.3},
{2.7},
{0.5},
{4.5},
{1},
{2.5},
{6.1},
{5.9},
{2.3},
{5.0},
{2.3}
};
double data_out[N][ON]=
{{1},
{0},
{0},
{1},
{0},
{1},
{1},
{1},
{0},
{0},
{0},
{0},
{0},
{0},
{0},
{1},
{1},
{0},
{1},
{0}
};
double data_check[N]={3};

////////////////////////////////
////第m个学习样本输入子程序///
///////////////////////////////
/*int input_P(int m)
{
int i;
for ( 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
*/
int input_P(int m)
{
int i;
for ( i=0;i<IN;i++)
P[i]=data_in[m][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//
/////////////////////////////
/*int input_T(int m)
{
int k;
for ( k=0;k<ON;k++)
T[k]=Study_Data[m].teach[k];
return 1;
}//子程序input_T(m)结束
*/
int input_T(int m)
{
int k;
for ( k=0;k<ON;k++)
T[k]=data_out[m][k];
return 1;
}//子程序input_T(m)结束



///////////////////////////
//初始化权、阈值子程序/////
///////////////////////////
int initial()
{
float sgn;
float rnd;
//隐层权、阈值初始化//
  for (int j=0;j<ON;j++)
 {
	 for (int i=0;i<HN;i++) 
  //sgn=pow((-1),random(100));
	 {
	sgn=rand();
  rnd=sgn*(rand()%100);
  W[j][i]= 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///
///////////////////////////////
int 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
//cout<<第< //fprintf(fp,第%d个样本的学习输入：
//P[%d]=%f\n,m,P[i]);
return 1;
}//子程序input_P(m）结束
/////////////////////////////
////第m个样本教师信号子程序//
/////////////////////////////
int 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///
/////////////////////////////////
int 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 - sita[i];//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///
///////////////////////////////////
int 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];
int 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];
int 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//////
////////////////////////////////////////////////////////
int 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/////
/////////////////////////////////////////////////////
int 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][i]);
W[j][i]+=beta*e_err[j]*P[i];//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 total_err;
}//子程序Err_sum()结束
/**********************/
/**程序入口，即主程序**/
/**********************/
int main()
{
FILE *fp;
double sum_err;
int Pre_times=10000;
int study=0;
double Pre_error=0.1 ;
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[i];
}
 
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 (study<100);//(sum_err > Pre_error);    //or(
 //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,sum_err);
fclose(fp);
for(int i=0;i<IN;i++)P[i]=data_check[i];
H_I_O(); 
O_I_O(); 
for(int i=0;i<ON;i++)
cout<<O[i]<<endl;
while(1);
return 1;
}