BP_sin.cpp
资源名称:BP_GAaaaa.rar [点击查看]
上传用户:fyx129
上传日期:2013-05-22
资源大小:150k
文件大小:7k
源码类别:
控制台编程
开发平台:
Visual C++
- #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;
- }
- }
- }