BP神经网络算法（2）

// BpNet.h:interfacefortheBpclass. // // E-Mail:zengzhijun369@163.com /**/ ///////////////////////////////////////////////////////////////////// / #include stdafx.h #include BpNet.h #include math.h #ifdef_DEBUG #undef THIS_FILE static char

 

//BpNet.h: interface for the Bp class.
//
//E-Mail:zengzhijun369@163.com
/**///////////////////////////////////////////////////////////////////////
#include "stdafx.h"
#include "BpNet.h"
#include "math.h"

#ifdef _DEBUG
#undef THIS_FILE
static char THIS_FILE[]=__FILE__;
#define new DEBUG_NEW
#endif

/**///////////////////////////////////////////////////////////////////////
// Construction/Destruction
/**///////////////////////////////////////////////////////////////////////

BpNet::BpNet()
{       
    error=1.0;
    e=0.0;
    
    rate_w=0.05;  //权值学习率（输入层--隐含层)
    rate_w1=0.047; //权值学习率 (隐含层--输出层)
    rate_b1=0.05; //隐含层阀值学习率
    rate_b2=0.047; //输出层阀值学习率
    error=1.0;
    e=0.0;
    
    rate_w=0.05;  //权值学习率（输入层--隐含层)
    rate_w1=0.047; //权值学习率 (隐含层--输出层)
    rate_b1=0.05; //隐含层阀值学习率
    rate_b2=0.047; //输出层阀值学习率
}

BpNet::~BpNet()
{
    
}

void winit(double w[],int sl)//权值初始化
{int i;
double randx();
for(i=0;isl;i++){
    *(w+i)=0.2*randx();
}
}

double randx()//kqy error
{double d;
d=(double) rand()/32767.0;
return d;
}

void BpNet::init()
{
    winit((double*)w,innode*hidenode);
    winit((double*)w1,hidenode*outnode);
    winit(b1,hidenode);
    winit(b2,outnode);
}


void BpNet::train(double p[trainsample][innode],double t[trainsample][outnode])
{
    double pp[hidenode];//隐含结点的校正误差
    double qq[outnode];//希望输出值与实际输出值的偏差
    double yd[outnode];//希望输出值
    
    double x[innode]; //输入向量
    double x1[hidenode];//隐含结点状态值
    double x2[outnode];//输出结点状态值
    double o1[hidenode];//隐含层激活值
    double o2[hidenode];//输出层激活值
    for(int isamp=0;isamptrainsample;isamp++)//循环训练一次样品
    { 
        for(int i=0;iinnode;i++)
            x[i]=p[isamp][i];
        for(i=0;ioutnode;i++)
            yd[i]=t[isamp][i];
        
        //构造每个样品的输入和输出标准
        for(int j=0;jhidenode;j++)
        {
            o1[j]=0.0;
            
            for(i=0;iinnode;i++)
                o1[j]=o1[j]+w[i][j]*x[i];//隐含层各单元输入激活值
            x1[j]=1.0/(1+exp(-o1[j]-b1[j]));//隐含层各单元的输出kqy1
            //    if(o1[j]+b1[j]>0) x1[j]=1;
            //else x1[j]=0;
        }
        
        for(int k=0;koutnode;k++)
        {
            o2[k]=0.0;
            
            for(j=0;jhidenode;j++)
                o2[k]=o2[k]+w1[j][k]*x1[j];//输出层各单元输入激活值
            x2[k]=1.0/(1.0+exp(-o2[k]-b2[k]));//输出层各单元输出
            //    if(o2[k]+b2[k]>0) x2[k]=1;
            //    else x2[k]=0;
        }
        
        for(k=0;koutnode;k++)
        {
            e=0.0;
            qq[k]=(yd[k]-x2[k])*x2[k]*(1.-x2[k]);//希望输出与实际输出的偏差
            e+=fabs(yd[k]-x2[k])*fabs(yd[k]-x2[k]);//计算均方差
            
            for(j=0;jhidenode;j++)
                w1[j][k]=w1[j][k]+rate_w1*qq[k]*x1[j];//下一次的隐含层和输出层之间的新连接权
            e=sqrt(e);
            error=e;
        
        }
        
        for(j=0;jhidenode;j++)
        {
            pp[j]=0.0;
            for(k=0;koutnode;k++)
                pp[j]=pp[j]+qq[k]*w1[j][k];
            pp[j]=pp[j]*x1[j]*(1-x1[j]);//隐含层的校正误差
            
            for(i=0;iinnode;i++)
                w[i][j]=w[i][j]+rate_w*pp[j]*x[i];//下一次的输入层和隐含层之间的新连接权
        }
        
        for(k=0;koutnode;k++)
            b2[k]=b2[k]+rate_b2*qq[k];//下一次的隐含层和输出层之间的新阈值
        for(j=0;jhidenode;j++)
            b1[j]=b1[j]+rate_b1*pp[j];//下一次的输入层和隐含层之间的新阈值
        
    }//end isamp样品循环
    
}
/**////////////////////////////end train/////////////////////////////

/////////////////////////////////////////////////////////////////

double *BpNet::recognize(double *p)
{   
    double x[innode]; //输入向量
    double x1[hidenode];//隐含结点状态值
    double x2[outnode];//输出结点状态值
    double o1[hidenode];//隐含层激活值
    double o2[hidenode];//输出层激活值

    for(int i=0;iinnode;i++)
        x[i]=p[i];
    for(int j=0;jhidenode;j++)
    {
        o1[j]=0.0;
        
        for(int i=0;iinnode;i++)
            o1[j]=o1[j]+w[i][j]*x[i];//隐含层各单元激活值
        x1[j]=1.0/(1.0+exp(-o1[j]-b1[j]));//隐含层各单元输出
        //if(o1[j]+b1[j]>0) x1[j]=1;
        //    else x1[j]=0;
    }
    
    for(int k=0;koutnode;k++)
    {
        o2[k]=0.0;
        for(int j=0;jhidenode;j++)
            o2[k]=o2[k]+w1[j][k]*x1[j];//输出层各单元激活值
        x2[k]=1.0/(1.0+exp(-o2[k]-b2[k]));//输出层各单元输出
        //if(o2[k]+b2[k]>0) x2[k]=1;
        //else x2[k]=0;
    } 
    
    for(k=0;koutnode;k++)
    {
        shuchu[k]=x2[k];
    } 
    return shuchu;
}/**/////////////////////////////end sim///////////////////////////

void BpNet::writetrain()
{//曾志军 for 2006.7
    AfxMessageBox("你还没有训练呢，训练后再写吧!请不要乱写,除非你认为这次训练是最好的，否则会覆盖我训练好的权值，那样你又要花时间训练!");
    AfxMessageBox("你认为这次训练结果是最好的，就存下来，下次就不要花时间训练了!",MB_YESNO,NULL);
    FILE *stream0;
    FILE *stream1;
    FILE *stream2;
    FILE *stream3;