控制台编程

开发平台：
Visual C++

BP_sin.cpp：源码内容
							#include "iostream.h"
#include "iomanip.h"
#include "stdlib.h"
#include "math.h"
#include "stdio.h"
#include "time.h"
#include "fstream.h"
#define N 4 //学习样本个数
#define IN 2 //输入层神经元数目
#define HN 3 //隐层神经元数目
#define ON 2 //输出层神经元数目
#define Z 200000 //旧权值保存-》每次study的权值都保存下来
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 YU_HN[HN]; //隐层的阈值
double YU_ON[ON]; //输出层的阈值
double err_m[N]; //第m个样本的总误差
double a; //输出层至隐层的学习效率
double b; //隐层至输入层学习效率
double alpha;  //动量因子，改进型bp算法使用
//定义一个放学习样本的结构
struct {
double input[IN]; //输入在上面定义是一个	
double teach[ON]; //输出在上面定义也是一个
}Study_Data[N];//学习样本
//改进型bp算法用来保存每次计算的权值
struct {
double old_W[HN][IN];  //保存HN-IN旧权！
double old_V[ON][HN];  //保存ON-HN旧权！
}Old_WV[Z];
 
saveWV(int m)
{
	for(int i=0;i<HN;i++)
	{
		for(int j=0;j<IN;j++)
		{
			Old_WV[m].old_W[i][j] = W[i][j];
		}
	}
	for(int ii=0;ii<ON;ii++)
	{
		for(int jj=0;jj<HN;jj++)
		{
			Old_WV[m].old_V[ii][jj] = V[ii][jj];
		}
	}
	return 1;
}
//初始化权、阈值子程序/////
initial()
{
//隐层权、阈值初始化//
	srand( (unsigned)time( NULL ) );
	for(int i=0;i<HN;i++)
	{
		for(int j=0;j<IN;j++)
			W[i][j]= (double)((rand()/32767.0)*2-1); //初始化输入层到隐层的权值，随机模拟0 和 1 -1	
	}
	for(int ii=0;ii<ON;ii++)
	{
		for(int jj=0;jj<HN;jj++)
			V[ii][jj]= (double)((rand()/32767.0)*2-1); //初始化隐层到输出层的权值，随机模拟0 和 1 -1
	}
	for(int k=0;k<HN;k++)
	{
		YU_HN[k] = (double)((rand()/32767.0)*2-1);  //隐层阈值初始化 ,-0.01 ~ 0.01 之间
	}
	for(int kk=0;kk<ON;kk++)
	{
		YU_ON[kk] = (double)((rand()/32767.0)*2-1); //输出层阈值初始化 ,-0.01 ~ 0.01 之间
	}
  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
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];
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 - YU_HN[i];//求隐层净输入，为什么减隐层的阀值
H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 siglon算法
}
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-YU_ON[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 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 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,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]*H[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
	}
}
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]*H[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_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,int n)
{
if(n<=1)
{
	for (int j=0;j<HN;j++)
	{
		for (int i=0;i<IN;i++) 
		{
			W[j][i]=W[j][i]+b*e_err[j]*P[i];//隐层至输入层的权值调整
		}
	YU_HN[j]+=b*e_err[j];
	}
}
else if(n>1)
{
	for (int j=0;j<HN;j++)
	{
		for (int i=0;i<IN;i++) 
		{
			W[j][i]=W[j][i]+b*e_err[j]*P[i]+alpha*(W[j][i]-Old_WV[(n-1)].old_W[j][i]);//隐层至输入层的权值调整
		}
	YU_HN[j]+=b*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
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<<"An";
	for(int i=0;i<HN;i++)
	{
		for(int j=0;j<IN;j++)
		{
			outQuanFile<<W[i][j]<<"   ";
		}
		outQuanFile<<"n";
	}
	outQuanFile<<"Bn";
	for(int ii=0;ii<ON;ii++)
	{
		for(int jj=0;jj<HN;jj++)
		{
			outQuanFile<<V[ii][jj]<<"   ";
		}
		outQuanFile<<"n";
	}
	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
	}
	outYuFile<<"n隐层的阈值为:n";
	for(int kk=0;kk<HN;kk++)
	{
		outYuFile<<YU_HN[kk]<<"  ";  //隐层阈值写入文本
	}
	outQuanFile.close();
}
/**程序入口，即主程序**/
void main()
{
double sum_err;
int num,study;//训练次数
char c;
a = 0.7;
b = 0.7;
alpha = 0.9;  //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();
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,study); //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,study); //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)
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); 
cout<<"网络已经学习了"<<study<<"次,学习的均方误差为"<<sum_err<<endl;
savequan();
cout<<"是否需要测试？(y,n)";
 cin>>c;
 if(c=='y'){
  cout<<"请输入测试数据个数";
    cin>>num;
  	for (int m=0;m<num;m++){
		cout<<"请输入第"<<m+1<<"测试数据(0,6.28)"<<endl; 
		for (int i=0;i<IN;i++)
		   cin>>Study_Data[m].input[i];
		input_P(m);
	    H_I_O(); 
        O_I_O(); 
	    cout<<"BP网络计算结果为："<<O[0]<<endl;
	}
 }
 
}

						