！#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: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;
}
{
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;
}
