| 查看: 589 | 回复: 2 | |||
[交流]
神经网络 已有2人参与
|
回复此楼
 |
2楼2013-10-12 16:21:12
leimin2008
新虫 (正式写手)
- 应助: 81 (初中生)
- 金币: 2526.2
- 散金: 602
- 红花: 13
- 帖子: 587
- 在线: 276.5小时
- 虫号: 2695364
- 注册: 2013-10-02
- 专业: 控制论中的数学方法
★
小木虫: 金币+0.5, 给个红包，谢谢回帖
小木虫: 金币+0.5, 给个红包，谢谢回帖
|
#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  re_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; } |
3楼2013-10-15 09:49:35
