BP网络VC代码

Visited times , Welcome to Data Mining Forum & Data Mining Expert

//C++的BP算法源程序

#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

数据挖掘工具

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个样本的总误差数据挖掘论坛
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/////

数据挖掘工具

///////////////////////////
initial()
{
float sgn;
float rnd;
int i,j;
//隐层权、阈值初始化//
{
//sgn=pow((-1),random(100));
sgn=rand();

数据挖掘交友

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;

数据挖掘论坛

}
//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数据挖掘交友
}
//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; 数据挖掘研究院

}//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];

数据挖掘实验室

//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 ",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) 数据挖掘实验室
{
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 ",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///
///////////////////////////////// 数据挖掘论坛
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

数据挖掘研究院

}
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++) 数据挖掘工具
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

数据挖掘工具

////////////////////////////////////
//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???

数据挖掘工具

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; 数据挖掘研究院
}//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++)

数据挖掘论坛

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

//////////////////////////////////////////////////////// 数据挖掘工具
//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 ",m,W[k][j
]);
V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整

数据挖掘论坛

}
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)

数据挖掘工具

{
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 ",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];
}

数据挖掘研究院

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++) 数据挖掘实验室
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; 数据挖掘论坛
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! ");
exit(1);
}
cout<<"请输入输出层到隐含层学习效率: alpha= ";
cin>>alpha; 数据挖掘交友

cout<<"请输入隐含层到输入层学习效率: beta= ";
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= ";
cin>>Pre_error;

int Pre_times;
cout<<"请输入预定最大学习次数:Pre_times= ";

数据挖掘交友

cin>>Pre_times;

cout<<"请输入学习样本数据 ";
{
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];
}
{

数据挖掘实验室

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; ///???

数据挖掘研究院

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) 数据挖掘研究院
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 ",study,sum_err); 数据挖掘研究院
}

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 ",study,total_err);
fclose(fp);
}
char s;

数据挖掘论坛

cout<<"请随便输入一个字符，按回车退出程序！ ";
cin>>s;
return 1;
}

[数据挖掘专家] [数据挖掘研究院] [数据挖掘论坛] [数据挖掘实验室]

上一篇：Conditional Random Field (CRF) Toolbox for Matlab
下一篇：Perl用于实现遗传算法

最新评论共有 0 位网友发表了评论 , 查看所有评论

发表评论( 不能超过250字，需审核，请自觉遵守互联网相关政策法规。 )

数据挖掘网站导航	数据挖掘论坛导航
数据挖掘工具数据挖掘论坛 DataCruncher - Cognos MineSet - MathSoft Intelligent Miner - GainSmarts Sqlserver - SAS - Clementine CART - Weka - WizSoft NeuroShell - ModelQuest data mining tools - Darwin 数据挖掘交友数据挖掘博客	数据挖掘工具数据挖掘资源数据挖掘技术算法数据挖掘相关期刊、会议研究院联盟合作专区数据挖掘基础与相关技术数据挖掘厂商与就业数据挖掘研究者乐园知名厂商数据挖掘工具资料国内数据挖掘实验室 Foreign Data Mining Lab