BP神经网络C代码实现

标签：

网络结构：2个输入神经元，5个隐层，1个输出神经元

输入和输出：一共6组数据，input1和input2为输入，output1为输出

学习率：0.5

精度控制：0.00001

最大循环次数：1000000

代码如下：

#include <stdlib.h>
#include <math.h>
#include <stdio.h>
#include <time.h>
#include <windows.h>

#define COUT     6     //样本数量
#define IN_COUT  2      //输入层数量
#define Hid_COUT 5		//隐层数量
#define OUT_COUT 1     //输出层数量

//int Hid_COUT=Hid_COUT;             //隐层节点数
float weight_hidden[IN_COUT*Hid_COUT];    //隐藏层权矩阵,隐层节点最大数量为50
float weight_output[Hid_COUT*OUT_COUT];   //输出层权矩阵
float learnRate=0.5;         //学习率
float accuracy=0.00001;          //精度控制参数
int maxLoopCout=1000000;      //最大循环次数
float ChgH[Hid_COUT], ChgO[OUT_COUT];         //修改量矩阵
float O1[Hid_COUT], O2[OUT_COUT];             //隐层和输出层输出量
int i, j, k;
float temp;
float e=0;
int n;

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

int InitBp() //初始化bp网络
{ 
	int i, j;
    srand((unsigned)time(NULL));		//获得随机数，赋值给各层权值
    for (i = 0; i < IN_COUT; i++) 		//IN_COUT--输入维数（3） 
        for (j = 0; j < Hid_COUT; j++)
            weight_hidden[j+10*i] = rand() / (float)(RAND_MAX);    
    for (i = 0; i < Hid_COUT; i++) 
        for (j = 0; j < OUT_COUT; j++)	//OUT_COUT--输出维数（2）
            weight_output[j+i*10] = rand() / (float)(RAND_MAX);    
    return 1;
}


void TrainBp( float input0,float input1, float output0)	//训练bp网络，样本为x，理想输出为y。COUNT-样本数量
{
	for (k= 0; k < Hid_COUT; k++) //计算隐层输出向量
	{
		temp = 0;
		//for (j = 0; j < IN_COUT; j++)		//第i组个样本中的第j个
		//	temp += x[j] * weight_hidden[k+10*j];
		temp += input0 * weight_hidden[k+10*0] + input1 * weight_hidden[k+10*1];
			O1[k] = fnet(temp);			//经过传递函数计算后的隐层输出向量
	}
	for (k = 0; k < OUT_COUT; k++) //计算输出层输出向量
	{
		temp = 0;
		for (j = 0; j < Hid_COUT; j++)
			temp += O1[j] * weight_output[k+j*10];
			O2[k] = fnet(temp);			//经过传递函数计算后的出层输出向量
	}
	for (j = 0; j < OUT_COUT; j++)    //计算输出层的权修改量
		ChgO[j] = O2[j] * (1 - O2[j]) * (output0 - O2[j]);
	for (j = 0; j < OUT_COUT ; j++)   //计算输出误差
	//	e += (y[j] - O2[j]) * (y[j] - O2[j]);
		e += (output0 - O2[j]) * (output0 - O2[j]);
	for (j = 0; j < Hid_COUT; j++)  //计算隐层权修改量
	{
		temp = 0;
		for (k = 0; k < OUT_COUT; k++)
			temp += weight_output[k+j*10] * ChgO[k];
		ChgH[j] = temp * O1[j] * (1 - O1[j]);
	}
	for (j = 0; j < Hid_COUT; j++)           //修改输出层权矩阵
		for (k = 0; k < OUT_COUT; k++)
			weight_output[k+j*10] += learnRate * O1[j] * ChgO[k]; 	//输出层权矩阵
	for (k = 0; k < Hid_COUT; k++)
		{
			//for (j = 0; j < IN_COUT; j++)
			//	weight_hidden[k+10*j] += learnRate * x[j] * ChgH[k]; //隐藏层权矩阵
			weight_hidden[k+10*0] += learnRate * input0 * ChgH[k]; 
			weight_hidden[k+10*1] += learnRate * input1 * ChgH[k]; 
		}
}

int UseBp() //使用bp网络
{    
    float Input[IN_COUT];
    float O1[50]; //隐层输出
    float O2[OUT_COUT]; //输出层输出
    while (1)  //持续执行，除非中断程序
	{
        printf("请输入%d个数：\n",IN_COUT);
        int i, j;
        for (i = 0; i < IN_COUT; i++)
            scanf("%f", &Input[i]);
        float temp;
        for (i = 0; i < Hid_COUT; i++) 
		{
            temp = 0;
            for (j = 0; j < IN_COUT; j++)
                temp += Input[j] * weight_hidden[i+10*j];
            O1[i] = fnet(temp);
        }
        for (i = 0; i < OUT_COUT; i++) 
		{
            temp = 0;
            for (j = 0; j < Hid_COUT; j++)
                temp += O1[j] * weight_output[i+j*10];
            O2[i] = fnet(temp);
        }
        printf("结果：   ");
        for (i = 0; i < OUT_COUT; i++)
            printf("%.3f ", O2[i]);
        printf("\n");
    }
    return 1;
}

int main()
{
	float input1[6]= {0.1,0.5,0.9,0.7,  0,0.3};
	float input2[6]= {0.2,0.3,0.6,0.8,0.1,0.2};
	float output1[6]={  0,  1,  1,  1,  0,  1};
	/*float input1[6]= {0.1,0.8,0.3};
	float input2[6]= {0.2,0.5,0.8};
	float output1[6]={  0,  1,  1};*/
	DWORD start,end;
	InitBp(); 
	
	/****TrainBp******/
	e=accuracy + 1;	//目的是为了让e大于f，能进行下面的循环，并无算法上的意义
	start= GetTickCount();
	for (n = 0; e > accuracy && n < maxLoopCout; n++)  //对每个样本训练网络，当精度符合要求并且n小于最大循环次数时停止
	{
		e = 0;
		for(int ms=0;ms<COUT;ms++)
			TrainBp(input1[ms],input2[ms],output1[ms]);
		if (n % 10 == 0)
			printf("误差 : %f\n", e);			//每训练10次输出一次误差结果
	}
	end= GetTickCount();
	printf("训练时间：%d\n",end-start);
	printf("总共循环次数：%d\n", n);
    printf("bp网络训练结束！\n");
	UseBp();
    return 1;
	/****TrainBp******/
}

BP神经网络C代码实现

标签：

原文地址：http://blog.csdn.net/xiaoch1222/article/details/51332297