//---------------------------------------------------------------------------------------//
// BP算法例子:用一个五层的神经网络去逼近函数 //
// f(x1,x2)=pow(x1-1,4)+2*pow(x2,2) //
// 作者:MaxMatrix //
// 2004.5.9调通 运行于VC++6.0 //
//--------------------------------------------------------------------------------------//
#include<iostream.h>
#include<math.h>
#include<stdlib.h>
#include<time.h>
#include<fstream.h>
//---------------------------------------------------------------------
#define RANDOM rand()/32767.0 //0~1随机数生成函数
const int Layer_Max=5;//神经网络的层数
const double PI=3.1415927;//圆周率
const int Layer_number[Layer_Max]={2,4,4,2,1};//神经网络各层的神经元个数
const int Neural_Max=4;//神经网络各层最大神经元个数
const int InMax=21;//样本输入的个数
ofstream Out_W_File("All_W.txt",ios::out) ;
ofstream Out_Error("Error.txt",ios::out) ;
//定义类 BP
class BP
{
public:
BP(); //BP类的构造函数
void BP_Print();//打印权系数
double F(double x);//神经元的激发函数
double Y(double x1,double x2);//要逼近的函数
//
double NetWorkOut(int x1 , int x2);//网络输出,他的输入为
//第input个样本
void AllLayer_D(int x1 , int x2);//求所有神经元的输出误差微分
void Change_W(); //改变权系数
void Train(); //训练函数
void After_Train_Out(); //经过训练后,21样本的神经网络输出
double Cost(double out,double Exp);//代价函数
private:
double W[Layer_Max][Neural_Max][Neural_Max];//保存权系数
//规定W[i][j][k]表示网络第i层的第j个神经元连接到
//第i-1层第k个神经元的权系数
double Input_Net[2][InMax];//21个样本输入,约定Input_Net[0][i]
//表示第i个样本的输入x1
//而 Input_Net[1][i]表示第i个样本的输入x2
double Out_Exp[InMax][InMax];//期望输出
double Layer_Node[Layer_Max][Neural_Max];//保存各神经元的输出
//规定Layer_Node[i][j]表示第i层的第j个神经元的输出
double D[Layer_Max][Neural_Max];//保存各神经元的误差微分
//规定D[i][j]表示第i层第j个神经元的误差微分
double Study_Speed;//学习速度
double e;//误差
};
//构造函数,用来初始化权系数,输入,期望输出和学习速度
BP::BP()
{
srand(time(NULL));//播种,以便产生随即数
for(int i=1 ; i<Layer_Max ; i++)
{
for(int j=0 ; j<Layer_number[i] ; j++)
{
for(int k=0 ; k<Layer_number[i-1]+1 ; k++)
{
W[i][j][k] = RANDOM;//随机初始化权系数
}
// Q[i][j] = RANDOM ;//初始化各神经元的阀值
}
}
//输入归和输出归一化
for(int l=0 ; l<InMax ; l++)
{
Input_Net[0][l] = l * 0.05 ;//把0~1分成20等分,表示x1
Input_Net[1][l] = 1 - l * 0.05 ;//表示x2
}
for(i=0 ; i<InMax ; i++)
{
for(int j=0 ; j<InMax ; j++)
{
Out_Exp[i][j] = Y(Input_Net[0][i],Input_Net[1][j]) ;//期望输出
Out_Exp[i][j] = Out_Exp[i][j]/3.000000;//期望输出归一化
}
}
Study_Speed=0.5;//初始化学习速度
e=0.0001;//误差精度
}//end
//激发函数F()
double BP::F(double x)
{
return(1.0/(1+exp(-x)));
}//end
//要逼近的函数Y()
//输入:两个浮点数
//输出:一个浮点数
double BP::Y(double x1,double x2)
{
double temp;
temp = pow(x1-1,4) + 2 * pow(x2,2);
return temp;
}//end
//--------------------------------------------------------
//代价函数
double BP::Cost(double Out,double Exp)
{
return(pow(Out-Exp,2));
}//end
//网络输出函数
//输入为:第input个样本
double BP::NetWorkOut(int x1 , int x2)
{
int i,j,k;
double N_node[Layer_Max][Neural_Max];
//约定N_node[i][j]表示网络第i层的第j个神经元的总输入
//第0层的神经元为输入,不用权系数和阀值,即输进什么即输出什么
N_node[0][0] = Input_Net[0][x1] ;
Layer_Node[0][0] = Input_Net[0][x1] ;
N_node[0][1] = Input_Net[1][x2] ;
Layer_Node[0][1] = Input_Net[1][x2] ;
for(i=1 ; i<Layer_Max ; i++)//神经网络的第i层
{
for(j=0 ; j<Layer_number[i] ; j++)//Layer_number[i]为第i层的
{ //神经元个数
N_node[i][j] = 0.0;
for(k=0 ; k<Layer_number[i-1] ; k++)//Layer_number[i-1]
{ //表示与第i层第j个神经元连接的上一层的
//神经元个数
//求上一层神经元对第i层第j个神经元的输入之和
N_node[i][j]+=Layer_Node[i-1][k] * W[i][j][k];
}
N_node[i][j] = N_node[i][j]-W[i][j][k];//减去阀值
//求Layer_Node[i][j],即第i层第j个神经元的输出
Layer_Node[i][j] = F(N_node[i][j]);
}
}
return Layer_Node[Layer_Max-1][0];//最后一层的输出
}//end
//求所有神经元的输出误差微分函数
//输入为:第input个样本
//计算误差微分并保存在D[][]数组中
void BP::AllLayer_D(int x1 , int x2)
{
int i,j,k;
double temp;
D[Layer_Max-1][0] = Layer_Node[Layer_Max-1][0] *
(1-Layer_Node[Layer_Max-1][0])*
(Layer_Node[Layer_Max-1][0]-Out_Exp[x1][x2]);
for(i=Layer_Max-1 ; i>0 ; i--)
{
for(j=0 ; j<Layer_number[i-1] ; j++)
{
temp = 0 ;
for(k=0 ; k<Layer_number[i] ; k++)
{
temp = temp+W[i][k][j]*D[i][k] ;
}
D[i-1][j] = Layer_Node[i-1][j] * (1-Layer_Node[i-1][j])
*temp ;
}
}
}//end
//修改权系数和阀值
void BP::Change_W()
{
int i,j,k;
for(i=1 ; i<Layer_Max ; i++)
{
for(j=0;j<Layer_number[i];j++)
{
for(k=0;k<Layer_number[i-1];k++)
{
//修改权系数
W[i][j][k]=W[i][j][k]-Study_Speed*
D[i][j]*Layer_Node[i-1][k];
}
W[i][j][k]=W[i][j][k]+Study_Speed*D[i][j];//修改阀值
}
}
}//end
//训练函数
void BP::Train()
{
int i,j;
int ok=0;
double Out;
long int count=0;
double err;
ofstream Out_count("Out_count.txt",ios::out) ;
//把其中的5个权系数的变化保存到文件里
ofstream outWFile1("W[2][0][0].txt",ios::out) ;
ofstream outWFile2("W[2][1][1].txt",ios::out) ;
ofstream outWFile3("W[1][0][0].txt",ios::out) ;
ofstream outWFile4("W[1][1][0].txt",ios::out) ;
ofstream outWFile5("W[3][0][1].txt",ios::out) ;
while(ok<441)
{
count++;
//20个样本输入
for(i=0,ok=0 ; i<InMax ; i++)
{
for(j=0 ; j<InMax ; j++)
{
Out = NetWorkOut(i,j);
AllLayer_D(i,j);
err = Cost(Out,Out_Exp[i][j]);//计算误差
if(err<e) ok++; //是否满足误差精度
else Change_W();//否修改权系数和阀值
}
}
if((count%1000)==0)//每1000次,保存权系数
{
cout<<count<<" "<<err<<endl;
Out_count<<count<<"," ;
Out_Error<<err<<"," ;
outWFile1<<W[2][0][0]<<"," ;
outWFile2<<W[2][1][1]<<"," ;
outWFile3<<W[1][0][0]<<"," ;
outWFile4<<W[1][1][0]<<"," ;
outWFile5<<W[3][0][1]<<"," ;
for(int p=1 ; p<Layer_Max ; p++)
{
for(int j=0 ; j<Layer_number[p] ; j++)
{
for(int k=0 ; k<Layer_number[p-1]+1 ; k++)
{
Out_W_File<<'W'<<'['<<p<<']'
<<'['<<j<<']'
<<'['<<k<<']'
<<'='<<W[p][j][k]<<' '<<' ';
}
}
}
Out_W_File<<'\n'<<'\n' ;
}
}
cout<<err<<endl;
}//end
//打印权系数
void BP::BP_Print()
{
//打印权系数
cout<<"训练后的权系数"<<endl;
for(int i=1 ; i<Layer_Max ; i++)
{
for(int j=0 ; j<Layer_number[i] ; j++)
{
for(int k=0 ; k<Layer_number[i-1]+1 ; k++)
{
cout<<W[i][j][k]<<" ";
}
cout<<endl;
}
}
cout<<endl<<endl;
}//end
//把结果保存到文件
void BP::After_Train_Out()
{
int i,j ;
ofstream Out_x1("Out_x1.txt",ios::out) ;
ofstream Out_x2("Out_x2.txt",ios::out) ;
ofstream Out_Net("Out_Net.txt",ios::out) ;
ofstream Out_Exp("Out_Exp.txt",ios::out) ;
ofstream W_End("W_End.txt",ios::out) ;
ofstream Q_End("Q_End.txt",ios::out) ;
ofstream Array("Array.txt",ios::out) ;
ofstream Out_x11("x1.txt",ios::out) ;
ofstream Out_x22("x2.txt",ios::out) ;
ofstream Result1("result1.txt",ios::out) ;
ofstream Out_x111("x11.txt",ios::out) ;
ofstream Out_x222("x22.txt",ios::out) ;
ofstream Result2("result2.txt",ios::out) ;
for( i=0 ; i<InMax ; i++)
{
for(j=0 ; j<InMax ; j++)
{
Out_x11<<Input_Net[0][i]<<',';
Out_x22<<Input_Net[1][j]<<"," ;
Result1<<3*NetWorkOut(i,j)<<"," ;
Out_x1<<Input_Net[0][i]<<"," ;
Array<<Input_Net[0][i]<<" " ;
Out_x2<<Input_Net[1][j]<<"," ;
Array<<Input_Net[1][j]<<" " ;
Out_Net<<3*NetWorkOut(i,j)<<"," ;
Array<<Y(Input_Net[0][i],Input_Net[1][j])<<" " ;
Out_Exp<<Y(Input_Net[0][i],Input_Net[1][j])<<"," ;
Array<<3*NetWorkOut(i,j)<<" " ;
Array<<'\n' ;
}
Out_x1<<'\n' ;
Out_x2<<'\n' ;
Out_x11<<'\n';
Out_x22<<'\n';
Result1<<'\n' ;
}
for(j=0 ; j<InMax ; j++)
{
for(i=0 ; i<InMax ; i++)
{
Out_x111<<Input_Net[0][i]<<',';
Out_x222<<Input_Net[1][j]<<"," ;
Result2<<3*NetWorkOut(i,j)<<"," ;
}
Out_x111<<'\n';
Out_x222<<'\n' ;
Result2<<'\n' ;
}
//把经过训练后的权系数和阀值保存到文件里
for(i=1 ; i<Layer_Max ; i++)
{
for(int j=0 ; j<Layer_number[i] ; j++)
{
for(int k=0 ; k<Layer_number[i-1]+1 ; k++)
{
W_End<<W[i][j][k]<<"," ;//保存权系数
}
}
}//end for
}//end
void main(void)
{
BP B;//生成一个BP类对象B
B.Train();//开始训练
B.BP_Print();//把结果打印出来
B.After_Train_Out();//把结果保存到文件
}//end
分享到:
相关推荐
BP算法,全称为Backpropagation(反向传播)算法,是神经网络中最为经典和广泛使用的训练算法之一。本项目代码实现了BP算法,并基于MFC(Microsoft Foundation Classes)框架进行开发,这是一种由微软提供的用于创建...
BP算法,全称为Backpropagation(反向传播)算法,是神经网络中最为经典的学习算法之一,主要用于训练多层前馈神经网络。该算法通过梯度下降法来更新网络中的权重和阈值,以最小化预测输出与实际目标之间的误差。在...
**BP算法介绍** BP(Backpropagation)算法,即反向传播算法,是深度学习领域中最经典的训练多层前馈神经网络的方法。该算法通过梯度下降法来更新网络权重,使得网络损失函数逐渐减小,从而达到优化模型的目的。在...
BP算法,全称为Backpropagation(反向传播)算法,是一种在人工神经网络(Artificial Neural Network, ANN)中广泛使用的训练方法。该算法通过迭代调整权重和阈值,使得网络预测输出与实际目标值之间的误差逐渐减小...
在这个实验中,我们使用Matlab编写了BP算法的实现,没有依赖任何外部库,这样可以更好地理解算法的内部运作。 `pre`函数作为预测函数,负责根据训练好的模型对新数据进行预测。它接收输入数据,经过前向传播计算...
CS BP算法,即基于基追踪(Base Pursuit, BP)的压缩感知算法,是实现这一理论的一种有效方法。 压缩感知的核心思想在于,许多实际的信号都具有稀疏性,即它们可以用较少的非零元素来表示。例如,在图像中,大部分...
BP算法,全称为Backpropagation(反向传播)算法,是一种在神经网络中进行训练的常用方法,尤其在监督学习中被广泛应用。该算法通过梯度下降法来更新权重,以最小化损失函数,从而使神经网络能更好地拟合训练数据。...
BP算法现已成为人工神经网络中最引人注意应用最广泛的算法之一。本文简要介绍了BP算法的基本思想、数学模型、算法推导及算法的实现过程。另外,本文给出了BP算法的两个应用,其一为手写数字的识别问题,其二为智能...
BP算法的主要思想是将输出层和隐层的误差信号反传到网络中,以便调整权值。该算法的实现主要包括以下几个步骤: 1. 建立多层前馈网络模型,包括输入层、隐层和输出层。 2. 定义网络误差,包括输出层和隐层的误差...
BP算法(Back Projection Algorithm)是SAR/ISAR成像处理中常用的一种算法。它基于几何原理,将雷达接收到的回波数据重新投射到目标的实际位置上,形成二维图像。该算法的优势在于能够直接处理原始数据,无需进行...
这个zip文件“python实现bp算法详代码和描述.zip”提供了Python语言实现BP算法的详细代码,以及两个用于测试的实例,即test1和test2。通过分析这些内容,我们可以深入了解BP算法的基本原理和Python实现。 BP算法...
BP算法在CNN中的权重调整过程 BP算法(Back Propagation)是一种按误差逆传播算法,用于训练多层前馈神经网络。该算法能学习和存储大量的输入-输出模式映射关系,而事前无需揭示这种映射关系的数学方程。BP学习网络...
BP算法,全称为Backpropagation,是神经网络中的一种核心优化算法,主要用于训练多层前馈神经网络。在深度学习领域,BP算法的地位至关重要,因为它能够有效地更新网络中每个权重和偏置,使得网络能够逐步逼近目标...
### 基于BP算法的多层感知器代码解析与知识点总结 #### 一、BP算法简介 反向传播(Back Propagation, BP)算法是一种用于训练人工神经网络的监督学习方法,尤其适用于多层感知器(Multi-Layer Perceptron, MLP)。...
BP算法,全称为Backpropagation(反向传播)算法,是一种在神经网络中优化权重的常用方法,尤其在处理监督学习任务时效率较高。在本项目中,BP算法被应用于ISAR(Inverse Synthetic Aperture Radar,逆合成孔径雷达...
这里提到的“弹性Bp算法”(Elastic BP)是对传统BP算法的一种改进,它引入了弹性项以增强算法的收敛速度和性能。在程序包中,我们看到多个与神经网络训练相关的文件,比如`newcf_bpm_1.m`、`newcf_bp_2_net.mat`等...
本资料提供的是几种MATLAB实现BP算法的程序编程,旨在帮助初学者更好地理解和应用BP算法。 **BP算法基础** BP算法基于反向传播的思想,它通过梯度下降法来更新网络权重,以最小化损失函数。BP网络通常由输入层、...