BP神经网络学习和c++例子程序代码

本文主要是介绍BP神经网络学习和c++例子程序代码，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

转自：http://blog.csdn.net/luxiaoxun/article/details/7649945

BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法（梯度法），通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input layer）、隐层(hide layer)和输出层(output layer)。

以下是我收集的一些关于神经网络的文章：

神经网络介绍——利用反向传播算法的模式学习
http://www.ibm.com/developerworks/cn/linux/other/l-neural/index.html

人工智能 Java 坦克机器人系列: 神经网络，上部
http://www.ibm.com/developerworks/cn/java/j-lo-robocode3/index.html
人工智能 Java 坦克机器人系列: 神经网络，下部
http://www.ibm.com/developerworks/cn/java/j-lo-robocode4/

使用 Python 构造神经网络--Hopfield 网络可以重构失真的图案并消除噪声
http://www.ibm.com/developerworks/cn/linux/l-neurnet/

提供一个Matlab的BP神经网络的基础资料
http://www.cnblogs.com/galaxyprince/archive/2010/12/20/1911157.html

http://www.codeproject.com/KB/recipes/aforge_neuro.aspx
作者已经给出好几种形式的应用例子

以下C++代码实现了BP网络，通过8个3位二进制样本对应一个期望输出，训练BP网络，最后训练好的网络可以将输入的三位二进制数对应输出一位十进制数。

//将三位二进制数转为一位十进制数#include<iostream>
#include<cmath>
using namespace std;#define  innode 3  //输入结点数
#define  hidenode 10//隐含结点数
#define  outnode 1 //输出结点数
#define  trainsample 8//BP训练样本数
class BpNet
{
public:void train(double p[trainsample][innode ],double t[trainsample][outnode]);//Bp训练double p[trainsample][innode];     //输入的样本double t[trainsample][outnode];    //样本要输出的double *recognize(double *p);//Bp识别void writetrain(); //写训练完的权值void readtrain(); //读训练好的权值，这使的不用每次去训练了，只要把训练最好的权值存下来就OKBpNet();virtual ~BpNet();public:void init();double w[innode][hidenode];//隐含结点权值double w1[hidenode][outnode];//输出结点权值double b1[hidenode];//隐含结点阀值double b2[outnode];//输出结点阀值double rate_w; //权值学习率（输入层-隐含层)double rate_w1;//权值学习率 (隐含层-输出层)double rate_b1;//隐含层阀值学习率double rate_b2;//输出层阀值学习率double e;//误差计算double error;//允许的最大误差double result[outnode];// Bp输出
};BpNet::BpNet()
{error=1.0;e=0.0;rate_w=0.9;  //权值学习率（输入层--隐含层)rate_w1=0.9; //权值学习率 (隐含层--输出层)rate_b1=0.9; //隐含层阀值学习率rate_b2=0.9; //输出层阀值学习率
}BpNet::~BpNet()
{}void winit(double w[],int n) //权值初始化
{for(int i=0;i<n;i++)w[i]=(2.0*(double)rand()/RAND_MAX)-1;
}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;isamp<trainsample;isamp++)//循环训练一次样品{for(int i=0;i<innode;i++)x[i]=p[isamp][i]; //输入的样本for(int i=0;i<outnode;i++)yd[i]=t[isamp][i]; //期望输出的样本//构造每个样品的输入和输出标准for(int j=0;j<hidenode;j++){o1[j]=0.0;for(int i=0;i<innode;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//    if(o1[j]+b1[j]>0) x1[j]=1;//else x1[j]=0;}for(int k=0;k<outnode;k++){o2[k]=0.0;for(int j=0;j<hidenode;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(int k=0;k<outnode;k++){qq[k]=(yd[k]-x2[k])*x2[k]*(1-x2[k]); //希望输出与实际输出的偏差for(int j=0;j<hidenode;j++)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}for(int j=0;j<hidenode;j++){pp[j]=0.0;for(int k=0;k<outnode;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(int i=0;i<innode;i++)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(int k=0;k<outnode;k++){e+=fabs(yd[k]-x2[k])*fabs(yd[k]-x2[k]); //计算均方差}error=e/2.0;for(int k=0;k<outnode;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(int j=0;j<hidenode;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}
}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;i<innode;i++)x[i]=p[i];for(int j=0;j<hidenode;j++){o1[j]=0.0;for(int i=0;i<innode;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;k<outnode;k++){o2[k]=0.0;for(int j=0;j<hidenode;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(int k=0;k<outnode;k++){result[k]=x2[k];}return result;
}void BpNet::writetrain()
{FILE *stream0;FILE *stream1;FILE *stream2;FILE *stream3;int i,j;//隐含结点权值写入if(( stream0 = fopen("w.txt", "w+" ))==NULL){cout<<"创建文件失败!";exit(1);}for(i=0;i<innode;i++){for(j=0;j<hidenode;j++){fprintf(stream0, "%f\n", w[i][j]);}}fclose(stream0);//输出结点权值写入if(( stream1 = fopen("w1.txt", "w+" ))==NULL){cout<<"创建文件失败!";exit(1);}for(i=0;i<hidenode;i++){for(j=0;j<outnode;j++){fprintf(stream1, "%f\n",w1[i][j]);}}fclose(stream1);//隐含结点阀值写入if(( stream2 = fopen("b1.txt", "w+" ))==NULL){cout<<"创建文件失败!";exit(1);}for(i=0;i<hidenode;i++)fprintf(stream2, "%f\n",b1[i]);fclose(stream2);//输出结点阀值写入if(( stream3 = fopen("b2.txt", "w+" ))==NULL){cout<<"创建文件失败!";exit(1);}for(i=0;i<outnode;i++)fprintf(stream3, "%f\n",b2[i]);fclose(stream3);}void BpNet::readtrain()
{FILE *stream0;FILE *stream1;FILE *stream2;FILE *stream3;int i,j;//隐含结点权值读出if(( stream0 = fopen("w.txt", "r" ))==NULL){cout<<"打开文件失败!";exit(1);}float  wx[innode][hidenode];for(i=0;i<innode;i++){for(j=0;j<hidenode;j++){fscanf(stream0, "%f", &wx[i][j]);w[i][j]=wx[i][j];}}fclose(stream0);//输出结点权值读出if(( stream1 = fopen("w1.txt", "r" ))==NULL){cout<<"打开文件失败!";exit(1);}float  wx1[hidenode][outnode];for(i=0;i<hidenode;i++){for(j=0;j<outnode;j++){fscanf(stream1, "%f", &wx1[i][j]);w1[i][j]=wx1[i][j];}}fclose(stream1);//隐含结点阀值读出if(( stream2 = fopen("b1.txt", "r" ))==NULL){cout<<"打开文件失败!";exit(1);}float xb1[hidenode];for(i=0;i<hidenode;i++){fscanf(stream2, "%f",&xb1[i]);b1[i]=xb1[i];}fclose(stream2);//输出结点阀值读出if(( stream3 = fopen("b2.txt", "r" ))==NULL){cout<<"打开文件失败!";exit(1);}float xb2[outnode];for(i=0;i<outnode;i++){fscanf(stream3, "%f",&xb2[i]);b2[i]=xb2[i];}fclose(stream3);
}//输入样本
double X[trainsample][innode]= {{0,0,0},{0,0,1},{0,1,0},{0,1,1},{1,0,0},{1,0,1},{1,1,0},{1,1,1}};
//期望输出样本
double Y[trainsample][outnode]={{0},{0.1429},{0.2857},{0.4286},{0.5714},{0.7143},{0.8571},{1.0000}};int main()
{BpNet bp;bp.init();int times=0;while(bp.error>0.0001){bp.e=0.0;times++;bp.train(X,Y);cout<<"Times="<<times<<" error="<<bp.error<<endl;}cout<<"trainning complete..."<<endl;double m[innode]={1,1,1};double *r=bp.recognize(m);for(int i=0;i<outnode;++i)cout<<bp.result[i]<<" ";double cha[trainsample][outnode];double mi=100;double index;for(int i=0;i<trainsample;i++){for(int j=0;j<outnode;j++){//找差值最小的那个样本cha[i][j]=(double)(fabs(Y[i][j]-bp.result[j]));if(cha[i][j]<mi){mi=cha[i][j];index=i;}}}for(int i=0;i<innode;++i)cout<<m[i];cout<<" is "<<index<<endl;cout<<endl;return 0;
}

这篇关于BP神经网络学习和c++例子程序代码的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---