当前位置：文档之家 › C++实现的BP神经网络代码

C++实现的BP神经网络代码

  • 格式：doc
  • 大小：48.50 KB
  • 文档页数：9

#pragma hdrstop

#include

#include

const A=30.0;

const B=10.0;

const MAX=500; //最大训练次数

const COEF=0.0035; //网络的学习效率

const BCOEF=0.001;//网络的阀值调整效率

const ERROR=0.002; // 网络训练中的允许误差

const ACCURACY=0.0005;//网络要求精度

double sample[41][4]={{0,0,0,0},{5,1,4,19.020},{5,3,3,14.150},

{5,5,2,14.360},{5,3,3,14.150},{5,3,2,15.390},

{5,3,2,15.390},{5,5,1,19.680},{5,1,2,21.060},

{5,3,3,14.150},{5,5,4,12.680},{5,5,2,14.360},

{5,1,3,19.610},{5,3,4,13.650},{5,5,5,12.430},

{5,1,4,19.020},{5,1,4,19.020},{5,3,5,13.390},

{5,5,4,12.680},{5,1,3,19.610},{5,3,2,15.390},

{1,3,1,11.110},{1,5,2,6.521},{1,1,3,10.190},

{1,3,4,6.043},{1,5,5,5.242},{1,5,3,5.724},

{1,1,4,9.766},{1,3,5,5.870},{1,5,4,5.406},

{1,1,3,10.190},{1,1,5,9.545},{1,3,4,6.043},

{1,5,3,5.724},{1,1,2,11.250},{1,3,1,11.110},

{1,3,3,6.380},{1,5,2,6.521},{1,1,1,16.000},

{1,3,2,7.219},{1,5,3,5.724}};

double w[4][10][10],wc[4][10][10],b[4][10],bc[4][10];

double o[4][10],netin[4][10],d[4][10],differ;//单个样本的误差

double is; //全体样本均方差

int count,a;

void netout(int m, int n);//计算网络隐含层和输出层的输出

void calculd(int m,int n); //计算网络的反向传播误差

void calcalwc(int m,int n);//计算网络权值的调整量

void calcaulbc(int m,int n); //计算网络阀值的调整量

void changew(int m,int n); //调整网络权值

void changeb(int m,int n);//调整网络阀值

void clearwc(int m,int n);//清除网络权值变化量wc

void clearbc(int m,int n);//清除网络阀值变化量bc-

void initialw(void);//初始化NN网络权值W

void initialb(void); //初始化NN网络阀值

void calculdiffer(void);//计算NN网络单个样本误差

void calculis(void);//计算NN网络全体样本误差

void trainNN(void);//训练NN网络

//------------------------------------------------------------------------------------------------- ---------------//

//------------------------------------------------------------------------------------------------- ---------------//

//------------------------------------------------------------------------------------------------- ---------------//

/*计算NN网络隐含层和输出层的输出 */

void netout(int m,int n)

{

int i,j,k;

//隐含层各节点的的输出

for (j=1,i=2;j<=m;j++) //m为隐含层节点个数

{

netin[i][j]=0.0;

for(k=1;k<=3;k++)//隐含层的每个节点均有三个输入变量

netin[i][j]=netin[i][j]+o[i-1][k]*w[i][k][j];

netin[i][j]=netin[i][j]-b[i][j];

o[i][j]=A/(1+exp(-netin[i][j]/B));

}

//------------------------------------------------------------------------------------------------- ---------------//

//------------------------------------------------------------------------------------------------- ---------------//

//------------------------------------------------------------------------------------------------- ---------------//

//输出层各节点的输出

for (j=1,i=3;j<=n;j++)

{

netin[i][j]=0.0;

for (k=1;k<=m;k++)

netin[i][j]=netin[i][j]+o[i-1][k]*w[i][k][j];

netin[i][j]=netin[i][j]-b[i][j];

o[i][j]=A/(1+exp(-netin[i][j]/B)) ;

}

}

//------------------------------------------------------------------------------------------------- ---------------//

//------------------------------------------------------------------------------------------------- ---------------//

//------------------------------------------------------------------------------------------------- ---------------//

/*计算NN网络的反向传播误差*/

void calculd(int m,int n)

{

int i,j,k;

double t;

a=count-1;

d[3][1]=(o[3][1]-sample[a][3])*(A/B)*exp(-netin[3][1]/B)/pow(1+exp(-netin[3][1]/B),2);

//隐含层的误差 for (j=1,i=2;j<=m;j++)

{

t=0.00;

for (k=1;k<=n;k++)

t=t+w[i+1][j][k]*d[i+1][k];

d[i][j]=t*(A/B)*exp(-netin[i][j]/B)/pow(1+exp(-netin[i][j]/B),2);

}

}

/*计算网络权值W的调整量*/

void calculwc(int m,int n)

{

int i,j,k;

// 输出层（第三层）与隐含层（第二层）之间的连接权值的调整

for (i=1,k=3;i<=m;i++)

{

for (j=1;j<=n;j++)

{

wc[k][i][j]=-COEF*d[k][j]*o[k-1][i]+0.5*wc[k][i][j];

}

// printf("\n");

}

//隐含层与输入层之间的连接权值的调整

for (i=1,k=2;i<=m;i++)

{

for (j=1;j<=m;j++)

{

wc[k][i][j]=-COEF*d[k][j]*o[k-1][i]+0.5*wc[k][i][j];

}

// printf("\n");

}

}

//------------------------------------------------------------------------------------------------- ---------------//

//------------------------------------------------------------------------------------------------- ---------------//

//------------------------------------------------------------------------------------------------- ---------------//

/*计算网络阀值的调整量*/

void calculbc(int m,int n)

{

int j;

for (j=1;j<=m;j++)

{

bc[2][j]=BCOEF*d[2][j];

}

合集下载

MATLAB程序代码--bp神经网络通用代码

MATLAB程序代码--bp神经网络通用代码

实用标准文案

精彩文档 MATLAB程序代码--bp神经网络通用代码

matlab 通用神经网络代码学习了一段时间的神经网络,总结了一些经验,在这愿意和大家分享一下,

希望对大家有帮助,也希望大家可以把其他神经网络的通用代码在这一起分享

感应器神经网络、线性网络、BP神经网络、径向基函数网络

%通用感应器神经网络。

P=[-0.5 -0.5 0.3 -0.1 -40;-0.5 0.5 -0.5 1 50];%输入向量

T=[1 1 0 0 1];%期望输出

plotpv(P,T);%描绘输入点图像

net=newp([-40 1;-1 50],1);%生成网络，其中参数分别为输入向量的范围和神经元感应器数量

hold on

linehandle=plotpc(net.iw{1},net.b{1});

net.adaptparam.passes=3;

for a=1:25%训练次数

[net,Y,E]=adapt(net,P,T);

linehandle=plotpc(net.iw{1},net.b{1},linehandle);

drawnow;

end

%通用newlin程序

%通用线性网络进行预测

time=0:0.025:5;

T=sin(time*4*pi);

Q=length(T);

P=zeros(5,Q);%P中存储信号T的前5(可变，根据需要而定)次值，作为网络输入。 实用标准文案

精彩文档 P(1,2:Q)=T(1,1:(Q-1));

P(2,3:Q)=T(1,1:(Q-2));

P(3,4:Q)=T(1,1:(Q-3));

P(4,5:Q)=T(1,1:(Q-4));

P(5,6:Q)=T(1,1:(Q-5));

plot(time,T)%绘制信号T曲线

xlabel('时间');

ylabel('目标信号');

title('待预测信号');

net=newlind(P,T);%根据输入和期望输出直接生成线性网络

BP神经网络MATLAB代码

BP神经网络MATLAB代码

p = [1 2 3 4 5

1 3 4 5 6];

t=[2 5 7 9 11];

ptest=[4

4];%要预测那一年的输入

[p,PS1]=mapminmax(p,0,1);

[t,PS2]=mapminmax(t,0,1);

ptest=mapminmax('apply',ptest,PS1);

n = 5; %隐含层神经元个数

net= newff(p, t, n, {'tansig','purelin'}, 'trainlm');%建立网络

net.trainParam.epochs = 2000;%训练次数

net=train(net,p,t);%训练网络

t_xunlian = sim(net, p);%利用训练好的网络输出，这里放入p的原因是想看看训练误差是多少

t_test = sim(net, ptest)

t=mapminmax('reverse',t,PS2);

tout=mapminmax('reverse', t_xunlian,PS2);

tout_test=mapminmax('reverse', t_test,PS2);

figure(1)

u=1:size(p,2);%绘图时的横坐标，可以改写成年份

plot(u, t, 'k-');

hold on;

plot(u, tout, 'b-');

box off

figure(2)

o=1:size(ptest,2);

plot(o,tout_test, 'b-')

box off

人工神经网络之BP模型算法实现

人工神经网络之BP模型算法实现

科技信息．　计算机与网络　

人工袖经网络之ＢＰ模型算法实坝　西南林业大学刘鑫赵家刚（通讯作者）刘絮子　［摘要］ＢＰ网络模型误差反向传播算法，有效的解决了权值调整问题，也是至今为止应用最广泛的神经网络。因此，本文介绍了ＢＰ　的网络模型算法理论，并通过ｃ≠≠语言对该算法进行实现，可根据不同样本数据建立相应的ＢＰ模型，本研究具有一定的实用价值。　［关键词］人工神经网络ＢＰ网络模型　ＢＰ建模模型训练模型预测　０．引言　人工神经网络（ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ，ＡＮＮ）是由大量简单的处理　单元互相连接而形成的复杂并行网络结构，虽然各单元只完成简单的　计算功能，但整个网络可以构成高度复杂的非线性系统。用人工神经　网络进行数据分析处理，能够得到更加接近真实的拟合曲线　。　在人工神经网络发展中，ＢＰ网络可以对具有非线性连续转移函数　的多层感知器的误差反向传播ｅｒｒｏｒ　ｂａｃｋ　ｐｒｏｒａｇａｔｉｏｎ，简称ＢＰ）。　ＢＰ算法的基本思想是，学习过程由信号的正向传播与误差的反向　传播两个过程组成。正向传播时，输入样本从输入层传人，经各隐层逐　层处理后，传向输出层，若输出层的实际输出与期望的输出（教师信号）　不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形　式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而　获得各层单元的误信号，此误差信号即作为修正各单元权值的依据。　这种信号正向传播与误差反向传播的各层权值调整过程是周而复始地　进行的。权值不断调整的过程，也就是神经网络的学习训练过程。此　过程一直进行到网络输出的误差减少到可接受的程度或进行到预先设　定的学习次数为止　。　１．ＢＰ网络模型　采用ＢＰ算法的多层感知器是至今为止应用得最广泛的神经网络，　在多层感知器的应用中，以图１所示的单隐层网络的应用最为普遍。　一般习惯将单隐层感知器称为三层感知器，所谓三层包括输入层、隐层　和输出层　。　

BP做评价的代码

BP做评价的代码

BP做评价的代码

BP神经网络（Back Propagation Neural Network）是一种用于分析复杂联系的计算机模型，它利用调整权重的过程来模拟大量训练样本的样式。BP神经网络是一种典型的神经系统，它由许多部分组成，每部分之间有一定的正向和反向传递，这种传播方式通过循环传播可以模拟生物神经系统不断寻找优化解决方案的过程。

BP神经网络在机器学习领域中最为常见，它可以应用于多种应用场景，例如分类、回归和图像处理等。它的工作原理是，先将输入数据经过一系列的可调整的权重处理，产生输出，输出在预先设定的目标值和实际值之间进行评估，通过调整参数让实际输出值更接近原目标值，从而提高网络的性能。

BP神经网络可以用于评估任何复杂任务，比如预测股票行情、进行模式识别（比如识别面部动作）以及推荐系统等。强大的评估性能，是最主要的优点。BP神经网络的缺点是设计较为复杂，需要大量的训练，处理和优化时间较长。

总之，BP神经网络可以为机器学习任务提供强大的评估性能，但其设计较为复杂，耗费的时间较多，所以在实际应用时，需要根据实际需求来确定选择BP神经网络的合理性。