BP神经网络C程序代码

LabVIEW中BP神经网络的实现及应用
0 引言LabVIEW 是美国NI 公司开发的高效图形化虚拟仪器开发平台，它的图形化编程具有直观、简便、快速、易于开发和维护等优点，在虚拟仪器设计和测控系统开发等相关领域得到了日益广泛的应用，它无需任何文本程序代码，而是把复杂、繁琐的语言编程简化成图形，用线条把各种图形连接起来。

BP 神经网络属于前馈神经网络，它广泛应用函数逼近、模式识别、分类和数
据压缩等领域，若将神经网络与虚拟仪器有机结合，则可以为提高虚拟仪器测控系统的性能提供重要的依据。

1 BP 神经网络学习算法BP 模型是一种应用最广泛的多层前向拓扑结构，以三层BP 神经网络作为理论依据进行编程，它由输入层、隐层和输出层构成。

设输入层神经元个数为I，隐层神经元个数为J，输出层神经元个数为K，学习样本有N 个(x，Y，)向量，表示为：输入向量
X{x1，x2，…，xI}，输出向量l，{Y1，Y2，…，Yx)，理想输出向量为
T{tl，t2，…，tK}。

(1)输入层节点i，其输出等于xi(i=1，2，…，I，将控制变量值传输到隐含层，则隐层第j 个神经元的输入：
其中：Wji 是隐层第J 个神经元到输入层第i 个神经元的连接权值。

(2)隐层第J 个神经元的输出：
(3)神经网络输出层，第k 个神经元的输入为：
其中：Vkj 是输出层第k 个神经元到隐层第j 个神经元的连接权值。

(4)神经网络输出层，第志个神经元的输出为：
(5)设定网络误差函数E：
(6)输出层到隐层的连接权值调整量△Vkj：
(7)隐层到输入层的连接权值调整量wji：。

一种多层前向网络 ,这里采用的是三层 BP神经网络模型 ,它
作者简介 :蔡清华 (1981—) ,女 ,硕士研究生 ,主要从事机电设备故障诊断方法以及虚拟仪器技术的研究 。 收稿日期 : 2005 - 10 - 8
设计 ·研究 ·分析
·7 ·
2. 2 BP神经网络在 LabV IEW 中实现方法的比较 [ 3] 在 LabV IEW 中实现 BP神经网络的方法有多种 :利用大
3 BP神经网络算法在 LabV IEW 中的实现
BP神经网络的隐层输入如图 2所示 。其中 X 矩阵为输 入样本 X, W 为 隐层权 值 。利用
LabV IEW 中 的 An2
alyze > > M athe2 matics > >L inear A lgebra > >A ×B. vi图标根据式 1 实现权 值与输入样本的矩阵乘法 ,并通过 for循环实现 BP神经网络 的隐层输入矩阵 H。
设计 ·研究 ·分析
·17 ·
接 ;从优化后的图 4也可以看出应力最值出现在区域 2所在 平面的螺栓连接处 ,我们可以考虑 加厚这块平板 ;区域 3所在的侧板 初衷是为了加强零件的刚度 ,但是 从优化结果看仅仅在边缘处材料 起到了应有的作用 ,中间大片材料 在后续设计中应去除 。
鉴于以上对优化结构的分析 , 改进设计如图 5所示 。
2 BP神经网络算法及其在 LabV IEW 中实现方法 比较
由输入层 、隐层和输出层组成 ,其结构如图 1所示 ,分别为 :
1)输入层节点 i,其输出等于 xi ( i = 1, 2, …, n) ,将控制变 量值传输到隐含层 ;
2)隐层节点 j,其输入 hj ,输出 oj 分别为 :

计算机时代 2018 年 第 5 期
· 41 ·
DOI:10.16644/33-1094/tp.2018.05.011
基于 VB 的单隐含层 BP 神经网络编程及验证
陈鹏
(福建省电子产品监督检验所，福建 福州 350003)
摘 要：基于编程语言 Visual Basic 6.0，开发多个输入输出节点的单隐含层 BP 神经网络软件。隐含层和输出层均采用
0 引言
人工神经网络广泛应用于非线性场合。在经济 预测、机器故障识别[1]、无损探测[2]等领域反向误差传 播学习算法网络(简称 BP 神经网络)占有一席之地，是 目前人工神经网络应用最广泛的模型之一。本研究 针对较为常见的单隐含层 BP 神经网络进行分析、编程 和验证。总的说来，商业软件功能相当强大；然而商 业软件无论在费用、物理平台或操作上都占用大量资 源，所以有必要进行研究，我们在理解的基础上开发 简单实用的小型软件以满足具体需求。另外，许多的 网络文章或者出版的中外书籍，都没有全面阐明该单 隐 含 层 BP 神 经 网 络 算 法 的 应 用 公 式 。 本 文 利 用 Visua Basic 6.0 编程，对单隐含层 BP 神经网络加以实 现，阐明了权值(weight)、偏置值(bias)的更新公式，同
2 设计原理
图 1 软件主界面
关于 BP 单隐含层神经网络公式的推导过程，有一 些值得参考的出处[3-5]，本文不再重复，但这些推导过 程也各有欠缺，有的只论述了权值的更新而没有偏置 值的更新，有的论述了权值和偏置值更新但没论述使 用动量因子的情形。综合这些论述，我们给出简洁方 便的公式结果以方便读者使用。本软件假设隐含层 和输出层的激励函数均为简化的 Sigmoid 函数，即：
sigmoid 激励函数。文章给出该软件编程的界面、原理和公式及数据考虑。软件设计引入了动量因子。软件对运行产生

科技信息．
计算机与网络
人工袖经 网络 之 Ｂ 模型算法实坝 Ｐ
西 南林业 大 学 刘 鑫 赵 家刚（ 讯作 者 ） 刘絮 子 通
［ 摘 要］ Ｐ网络模型误差反 向传播 算法 ， Ｂ 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Ｂ Ｐ 的网络模 型算法理论 ， 并通过 ｃ ≠ 言对该算法进行 实现 ， ≠ 语 可根据不 同样本数据建立相应 的Ｂ 模 型 ， 究具有一定的实用价值 。 Ｐ 本研 ［ 关键词 ］ 工神 经 网络 Ｂ 网络模 型 Ｂ 建模 模型训练 模 型预测 人 Ｐ Ｐ
０ 引 言 ．
人工神经 网络（ｒｆｉ ｕａｎｔｏ ｓＡ Ｎ是 由大量简单 的处理 ａｉｃ ｌｅｒ ｅ ｒ ， Ｎ ） ｔ ａｎ ｌ ｗ ｋ ｉ 单元互 相连接 而形成 的复杂并行 网络结构， 然各单元 只完成简单 的 虽 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 。
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 ， 就是神 经网络 的学习训练 过程 。此 也 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 。
１ＢＰ网络模型 ．
采用 Ｂ 算法 的多层感 知器是至今为止 应用得最广泛 的神 经网络 ， Ｐ 在 多层感 知器 的应 用 中 ， 以图 １ 示 的单隐层 网络 的应 用最 为普遍 。 所
所示 ， 实现方法如下 ： （ 在编写代码之前 ， １ ） 添加通用数据库引用 ｕｉ ｓ ｍ Ｄ ｔ Ｏｅ ｂ ｓ ｇ ｙ ｅ ．ａ ．ｌ 。 ｎＳｔ ａ Ｄ ｆ为 “ ２ 打开样本 数据库 ” ） 按钮添加 Ｃ ｃ 事件 ， ｌｋ ｉ 实现将数 据库路 径存