BP神经网络JAVA

实验：BP神经网络实现代码：#includestdlib.h#includemath.h#includestdio.h#includetime.h#defineOUT_COUT2//输出向量维数#defineIN_COUT3//输入向量维数#defineCOUT6//样本数量typedefstruct{//bp人工神经网络结构inth;//实际使用隐层数量doublev[IN_COUT][50];//隐藏层权矩阵i,隐层节点最大数量为50doublew[50][OUT_COUT];//输出层权矩阵doublea;//学习率doubleb;//精度控制参数intLoopCout;//最大循环次数}bp_nn;doublefnet(doublenet){//Sigmoid函数,神经网络激活函数return1/(1+exp(-net));}intInitBp(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lfprintf(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);inti,j;srand((unsigned)time(NULL));for(i=0;iIN_COUT;i++)for(j=0;j(*bp).h;j++)(*bp).v[i][j]=rand()/(double)(RAND_MAX);for(i=0;i(*bp).h;i++)for(j=0;jOUT_COUT;j++)(*bp).w[i][j]=rand()/(double)(RAND_MAX);return1;}intTrainBp(bp_nn*bp,floatx[COUT][IN_COUT],inty[COUT][OUT_COUT]){//训练bp网络，样本为x，理想输出为ydoublef=(*bp).b;//精度控制参数doublea=(*bp).a;//学习率inth=(*bp).h;//隐层节点数doublev[IN_COUT][50],w[50][OUT_COUT];//权矩阵doubleChgH[50],ChgO[OUT_COUT];//修改量矩阵doubleO1[50],O2[OUT_COUT];//隐层和输出层输出量intLoopCout=(*bp).LoopCout;//最大循环次数inti,j,k,n;doubletemp;for(i=0;iIN_COUT;i++)//复制结构体中的权矩阵for(j=0;jh;j++)v[i][j]=(*bp).v[i][j];for(i=0;ih;i++)for(j=0;jOUT_COUT;j++)w[i][j]=(*bp).w[i][j];doublee=f+1;for(n=0;ef&&nLoopCout;n++){//对每个样本训练网络e=0;for(i=0;iCOUT;i++){for(k=0;kh;k++){//计算隐层输出向量temp=0;for(j=0;jIN_COUT;j++)temp=temp+x[i][j]*v[j][k];O1[k]=fnet(temp);}for(k=0;kOUT_COUT;k++){//计算输出层输出向量temp=0;for(j=0;jh;j++)temp=temp+O1[j]*w[j][k];O2[k]=fnet(temp);}for(j=0;jOUT_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;jOUT_COUT;j++)//计算输出误差e=e+(y[i][j]-O2[j])*(y[i][j]-O2[j]);for(j=0;jh;j++){//计算隐层权修改量temp=0;for(k=0;kOUT_COUT;k++)temp=temp+w[j][k]*ChgO[k];ChgH[j]=temp*O1[j]*(1-O1[j]);}for(j=0;jh;j++)//修改输出层权矩阵for(k=0;kOUT_COUT;k++)w[j][k]=w[j][k]+a*O1[j]*ChgO[k];for(j=0;jIN_COUT;j++)for(k=0;kh;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;iIN_COUT;i++){for(j=0;jh;j++)printf(%f,v[i][j]);printf(\n);}printf(调整后的输出层权矩阵：\n);for(i=0;ih;i++){for(j=0;jOUT_COUT;j++)printf(%f,w[i][j]);printf(\n);}for(i=0;iIN_COUT;i++)//把结果复制回结构体for(j=0;jh;j++)(*bp).v[i][j]=v[i][j];for(i=0;ih;i++)for(j=0;jOUT_COUT;j++)(*bp).w[i][j]=w[i][j];printf(bp网络训练结束！\n);return1;}intUseBp(bp_nn*bp){//使用bp网络floatInput[IN_COUT];doubleO1[50];doubleO2[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);inti,j;for(i=0;iIN_COUT;i++)scanf(%f,&Input[i]);doubletemp;for(i=0;i(*bp).h;i++){temp=0;for(j=0;jIN_COUT;j++)temp+=Input[j]*(*bp).v[j][i];O1[i]=fnet(temp);}for(i=0;iOUT_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;iOUT_COUT;i++)printf(%.3f,O2[i]);printf(\n);}return1;}intmain(){floatx[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inty[COUT][OUT_COUT]={{0,1},{0,1},{0,1},{1,0},{1,0},{1,0}};//理想输出bp_nnbp;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return1;}运行结果：总结：好难！