#include "iostream.h"
#include "iomanip.h"
#define N 20 //學習樣本個數
#define IN 1 //輸入層神經元數目
#define HN 8 //隱層神經元數目
#define ON 1 //輸出層神經元數目
double P[IN]; //單個樣本輸入資料
double T[ON]; //單個樣本教師資料
double W[HN][IN]; //輸入層至隱層權值
double V[ON][HN]; //隱層至輸出層權值
double X[HN]; //隱層的輸入
double Y[ON]; //輸出層的輸入
double H[HN]; //隱層的輸出
double O[ON]; //輸出層的輸出
double sita[HN]; //隱層的閾值
double gama[ON]; //輸出層的閾值
double err_m[N]; //第m個樣本的總誤差
double Alpha; //輸出層至隱層的學習效率
double Beta; //隱層至輸入層學習效率
//定義一個放學習樣本的結構
struct {
double input[IN];
double teach[ON];
}Study_Data[N][IN];


///////////////////////////
//初始化權、閾值副程式/////
///////////////////////////
initial()
{
float sgn;
float rnd;
int i,j;
//隱層權、閾值初始化//
{
//sgn=pow((-1),random(100));
sgn=rand();
rnd=sgn*(rand()%100);
W[j][i]= rnd/100;//隱層權值初始化。
}
//randomize();
{
//sgn=pow((-1),random(1000));
sgn=rand();
rnd=sgn*(rand()%1000);
sita[j]= rnd/1000;//中介層閾值初始化
cout<<"sita"<<sita[j]<<endl;
}
//輸出層權、閾值初始化//
//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[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//
/////////////////////////////
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][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///
///////////////////////////////////
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];//每個樣本的絕對誤差都是從0開始的
double sqr_err=0;//每個樣本的平方誤差計算都是從0開始的
//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個樣本下的第k個神經元的絕對誤差
sqr_err+=(abs_err[k])*(abs_err[k]);//求第m個樣本下輸出層的平方誤差


d_err[k]=abs_err[k]*O[k]*(1.0-O[k]);//d_err[k]輸出層各神經元的一般化誤差
}
err_m[m]=sqr_err/2;//第m個樣本下輸出層的平方誤差/2=第m個樣本的均方誤差
return 1;
}//副程式Err_O_H(m)結束


////////////////////////////////////
//隱層至輸入層的一般化誤差副程式////
////////////////////////////////////
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]);//隱層各神經元的一般化誤差
}
return 1;
}//副程式Err_H_I()結束


////////////////////////////////////////////////////////
//輸出層至隱層的權值調整、輸出層閾值調整計運算元程式//////
////////////////////////////////////////////////////////
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個樣本時的輸出層至隱層的權值為:%f\n",m,W[k][j]);
V[k][j]+=Alpha*d_err[k]*H[j];//輸出層至隱層的權值調整
}
gama[k]+=Alpha*d_err[k];//輸出層至隱層的閾值調整
}
return 1;
}//副程式Delta_O_H()結束


/////////////////////////////////////////////////////
//隱層至輸入層的權值調整、隱層閾值調整計運算元程式/////
/////////////////////////////////////////////////////
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個樣本時的輸出層至隱層的權值為:%f\n",m,V[j][i]);
W[j][i]+=Beta*e_err[j]*P[i];//隱層至輸入層的權值調整
}
sita[j]+=Beta*e_err[j];
}
return 1;
}//副程式Delta_H_I()結束


/////////////////////////////////
//N個樣本的全域誤差計運算元程式////
/////////////////////////////////
double Err_Sum()
{
double total_err=0;
for (int m=0;m<N;m++)
total_err+=err_m[m];//每個樣本的均方誤差加起來就成了全域誤差
}
return 1;
}//副程式Err_sum()結束


/**********************/
/**程式入口,即主程式**/
/**********************/
main()
{
FILE *fp;
double sum_err;
int study;//訓練次數


if ((fp=fopen("bp.txt","a+"))==Null)
{
printf("不能創建bp.txt檔!\n");
exit(1);
}
cout<<"請輸入輸出層到隱含層學習效率: Alpha=\n";
cin>>Alpha;


cout<<"請輸入隱含層到輸入層學習效率: Beta=\n";
cin>>Beta;


int study=0; //學習次數
double Pre_error ; //預定誤差
cout<<"請輸入預定誤差: 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 (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<<"網路已經學習了"<<study<<"次,學習的均方誤差為"<<sum_err<<endl;
fprintf(fp,"網路已經學習了%d次,現在的全域誤差為:%f\n",study,total_err);
fclose(fp);
}
char s;
cout<<"請隨便輸入一個字元,按回車退出程式!\n";
cin>>s;
return 1;
}


創作者介紹

資訊園

shadow 發表在 痞客邦 PIXNET 留言(0) 人氣()