bp算法C语言实现

#include "iostream.h"
#include
#include
#include
#include

#define OUT_COUT 2 //输出向量维数
#define IN_COUT 3 //输入向量维数
#define COUT 6 //样本数量

typedef struct { //bp人工神经网络结构
int h; //实际使用隐层数量
double v[IN_COUT][50]; //隐藏层权矩阵i,隐层节点最大数量为50
double w[50][OUT_COUT]; //输出层权矩阵
double a; //学习率
double b; //精度控制参数
int LoopCout; //最大循环次数
} bp_nn;


double fnet(double net)
{ //Sigmoid函数,神经网络激活函数
return 1/(1+exp(-net));
}


int InitBp(bp_nn *bp)
{ //初始化bp网络

printf("请输入隐层节点数，最大数为100：\n");
scanf("%d", &(*bp).h);

printf("请输入学习率：\n");
scanf("%lf", &(*bp).a); //(*bp).a为double型数据，所以必须是lf

printf("请输入精度控制参数：\n");
scanf("%lf", &(*bp).b);

printf("请输入最大循环次数：\n");
scanf("%d", &(*bp).LoopCout);

int i, j;
srand((unsigned)time(NULL)); //随机数发生器的初始化函数

/*time_t t;
srand((unsigned) time(&t));
srand函数是随机数发生器的初始化函数，原型：
void srand(unsigned seed);
它需要提供一个种子，如：
srand(1);
直接使用1来初始化种子。不过常常使用系统时间来初始化，即使用
time函数来获得系统时间，它的返回值为从 00:00:00 GMT, January 1, 1970
到现在所持续的秒数，然后将time_t型数据转化为(unsigned)型在传给srand函数，即：
srand((unsigned) time(&t));

还有一个经常用法，不需要定义time_t型t变量,即：
srand((unsigned) time(NULL));
直接传入一个空指针，因为你的程序中往往并不需要经过参数获得的t数据。*/

for (i = 0; i < IN_COUT; i++)
for (j = 0; j < (*bp).h; j++)
(*bp).v[i][j] = rand() / (double)(RAND_MAX); //RAND_MAX是系统值，本机为32767
for (i = 0; i < (*bp).h; i++)
for (j = 0; j < OUT_COUT; j++)
(*bp).w[i][j] = rand() / (double)(RAND_MAX);

return 1;
}


int TrainBp(bp_nn *bp, double x[COUT][IN_COUT], int y[COUT][OUT_COUT])
{ //训练bp网络，样本为x，理想输出为y
double f = (*bp).b; //精度控制参数
double a = (*bp).a; //学习率
int h = (*bp).h; //隐层节点数
double v[IN_COUT][50], w[50][OUT_COUT]; //权矩阵
double ChgH[50], ChgO[OUT_COUT]; //修改量矩阵
double O1[50], O2[OUT_COUT]; //隐层和输

出层输出量
int LoopCout = (*bp).LoopCout; //最大循环次数
int i, j, k, n;
double temp;

for (i = 0; i < IN_COUT; i++) //复制结构体中的权矩阵
for (j = 0; j < h; j++)
v[i][j] = (*bp).v[i][j];
for (i = 0; i < h; i++)
for (j = 0; j < OUT_COUT; j++)
w[i][j] = (*bp).w[i][j];

double e = f + 1; //f 是精度控制参数
for (n = 0; e > f && n < LoopCout; n++)
{ //对每个样本训练网络
e = 0;
for (i= 0; i < COUT; i++)
{
for (k= 0; k < h; k++)
{ //计算隐层输出向量
temp = 0;
for (j = 0; j < IN_COUT; j++)
temp = temp + x[i][j] * v[j][k]; //
O1[k] = fnet(temp);
}
for (k = 0; k < OUT_COUT; k++)
{ //计算输出层输出向量
temp = 0;
for (j = 0; j < h; j++)
temp = temp + O1[j] * w[j][k]; //
O2[k] = fnet(temp);
}
for (j = 0; j < OUT_COUT; j++) //计算输出层的权修改量
ChgO[j] = O2[j] * (1 - O2[j]) * (y[i][j] - O2[j]);
for (j = 0; j < OUT_COUT ; j++) //计算输出误差
e = e + (y[i][j] - O2[j]) * (y[i][j] - O2[j]);

for (j = 0; j < h; j++)
{ //计算隐层权修改量
temp = 0;
for (k = 0; k < OUT_COUT; k++)
temp = temp + w[j][k] * ChgO[k];
ChgH[j] = temp * O1[j] * (1 - O1[j]);
}

for (j = 0; j < h; j++) //修改输出层权矩阵
for (k = 0; k < OUT_COUT; k++)
w[j][k] = w[j][k] + a * O1[j] * ChgO[k];
for (j = 0; j < IN_COUT; j++)
for (k = 0; k < h; k++)
v[j][k] = v[j][k] + a * x[i][j] * ChgH[k];
}
if (n % 10 == 0)
printf("误差 : %f\n", e);
}

printf("总共循环次数：%d\n", n);
printf("调整后的隐层权矩阵：\n");
for (i = 0; i < IN_COUT; i++)
{
for (j = 0; j < h; j++)
printf("%6f ", v[i][j]);
printf("\n");
}
printf("调整后的输出层权矩阵：\n");
for (i = 0; i < h; i++)
{
for (j = 0; j < OUT_COUT; j++)
printf("%f ", w[i][j]);
printf("\n");
}
for (i = 0; i < IN_COUT; i++) //把结果复制回结构体
for (j = 0; j < h; j++)
(*bp).v[i][j] = v[i][j];
for (i = 0; i < h; i++)
for (j = 0; j < OUT_COUT; j++)
(*bp).w[i][j] = w[i][j];

printf("bp网络训练结束！\n");

return 1;
}

int UseBp(bp_nn *bp)
{ //

使用bp网络
float Input[IN_COUT];
double O1[50];
double O2[OUT_COUT]; //O1为隐层输出,O2为输出层输出
while (1)
{ //持续执行，除非中断程序
printf("请输入3个数：\n");
int i, j;
for (i = 0; i < IN_COUT; i++)
scanf("%f", &Input[i]);
double temp;
for (i = 0; i < (*bp).h; i++)
{
temp = 0;
for (j = 0; j < IN_COUT; j++)
temp += Input[j] * (*bp).v[j][i];
O1[i] = fnet(temp);
}
for (i = 0; i < OUT_COUT; i++)
{
temp = 0;
for (j = 0; j < (*bp).h; j++)
temp += O1[j] * (*bp).w[j][i];
O2[i] = fnet(temp);
}
printf("结果： ");
for (i = 0; i < OUT_COUT; i++)
printf("%.3f ", O2[i]);
printf("\n");
}
return 1;
}

int main()
{
//cout<double x[COUT][IN_COUT] = {{0.8,0.5,0},
{0.9,0.7,0.3},
{1,0.8,0.5},
{0,0.2,0.3},
{0.2,0.1,1.3},
{0.2,0.7,0.8}}; //训练样本
int y[COUT][OUT_COUT] = {{0,1},
{0,1},
{0,1},
{1,0},
{1,0},
{1,0}}; //理想输出
bp_nn bp;

InitBp(&bp); //初始化bp网络结构
TrainBp(&bp, x, y); //训练bp神经网络
UseBp(&bp); //测试bp神经网络

return 1;
}