bp神经网络详细步骤C实现.docx
- 文档编号:2156035
- 上传时间:2022-10-27
- 格式:DOCX
- 页数:14
- 大小:17KB
bp神经网络详细步骤C实现.docx
《bp神经网络详细步骤C实现.docx》由会员分享,可在线阅读,更多相关《bp神经网络详细步骤C实现.docx(14页珍藏版)》请在冰豆网上搜索。
bp神经网络详细步骤C实现
usingSystem;
using;
usingSystem.Linq;
usingSystem.Text;
usingSystem;
usingSystem.IO;
usingSystem.Text;
namespaceBpANNet
{
///
///BpNet的摘要说明。
///
publicclassBpNet
{
publicintinNum;//输入节点数
inthideNum;//隐层节点数
publicintoutNum;//输出层节点数
publicintsampleNum;//样本总数
RandomR;
double[]x;//输入节点的输入数据
double[]x1;//隐层节点的输出
double[]x2;//输出节点的输出
double[]o1;//隐层的输入
double[]o2;//输出层的输入
publicdouble[,]w;//权值矩阵w,这是输入层与隐藏层之间的权值矩阵
publicdouble[,]v;//权值矩阵V,这是隐藏层与输出层之间的权值矩阵
publicdouble[,]dw;//权值矩阵w
publicdouble[,]dv;//权值矩阵V
publicdoublerate;//学习率
publicdouble[]b1;//隐层阈值矩阵
publicdouble[]b2;//输出层阈值矩阵
publicdouble[]db1;//隐层阈值矩阵
publicdouble[]db2;//输出层阈值矩阵
double[]pp;//隐藏层的误差
double[]qq;//输出层的误差
double[]yd;//输出层的教师数据,所谓教师数据就是实际数据而已!
publicdoublee;//均方误差
doublein_rate;//归一化比例系数
//用于确定隐藏层的神经细胞数
publicintcomputeHideNum(intm,intn)
{
doubles=Math.Sqrt(0.43*m*n+0.12*n*n+2.54*m+0.77*n+0.35)+0.51;
intss=Convert.ToInt32(s);
return((s-(double)ss)>0.5)?
ss+1:
ss;
}
publicBpNet(double[,]p,double[,]t)
{
//构造函数逻辑
R=newRandom();
this.inNum=p.GetLength
(1);
this.outNum=t.GetLength
(1);
this.hideNum=computeHideNum(inNum,outNum);
//this.hideNum=18;
this.sampleNum=p.GetLength(0);
Console.WriteLine("输入节点数目:
"+inNum);
Console.WriteLine("隐层节点数目:
"+hideNum);
Console.WriteLine("输出层节点数目:
"+outNum);
Console.ReadLine();
//将这些矩阵规定好矩阵大小
x=newdouble[inNum];
x1=newdouble[hideNum];
x2=newdouble[outNum];
o1=newdouble[hideNum];
o2=newdouble[outNum];
w=newdouble[inNum,hideNum];//权值矩阵w,这是输入层与隐藏层之间的权值矩阵
v=newdouble[hideNum,outNum];
dw=newdouble[inNum,hideNum];
dv=newdouble[hideNum,outNum];
//阈值
b1=newdouble[hideNum];
b2=newdouble[outNum];
db1=newdouble[hideNum];
db2=newdouble[outNum];
//误差
pp=newdouble[hideNum];//隐藏层的误差
qq=newdouble[outNum];//输出层的误差
yd=newdouble[outNum];//输出层的教师数据
//初始化w
for(inti=0;i { for(intj=0;j { //NextDouble返回一个介于0.0和1.0之间的随机数。 w[i,j]=(R.NextDouble()*2-1.0)/2; } } //初始化v for(inti=0;i { for(intj=0;j { v[i,j]=(R.NextDouble()*2-1.0)/2; } } rate=0.8; e=0.0; in_rate=1.0;? } //训练函数 publicvoidtrain(double[,]p,double[,]t) { e=0.0; //★求p,t中的最大值 doublepMax=0.0; //sampleNum为样本总数 for(intisamp=0;isamp { //inNum是输入层的节点数(即神经细胞数) for(inti=0;i { if(Math.Abs(p[isamp,i])>pMax) { pMax=Math.Abs(p[isamp,i]); } } for(intj=0;j { if(Math.Abs(t[isamp,j])>pMax) { pMax=Math.Abs(t[isamp,j]); } } in_rate=pMax; }//endisamp for(intisamp=0;isamp { //★数据归一化 for(inti=0;i { x[i]=p[isamp,i]/in_rate; } for(inti=0;i { yd[i]=t[isamp,i]/in_rate; } //计算隐层的输入和输出 for(intj=0;j { o1[j]=0.0; for(inti=0;i { o1[j]+=w[i,j]*x[i];//“权值”*“输入”的那个累加的过程 } //这个b1[j]就是隐藏层的阈值,阈值就是一个输入为“-1”的累加值 x1[j]=1.0/(1.0+Math.Exp(-o1[j]-b1[j])); } //计算输出层的输入和输出 for(intk=0;k { o2[k]=0.0; for(intj=0;j { o2[k]+=v[j,k]*x1[j]; } x2[k]=1.0/(1.0+Math.Exp(-o2[k]-b2[k])); } //计算输出层误差和均方差 for(intk=0;k { //yd[k]是输出层的教师数据,所谓教师数据就是实际应该输出的数据而已 qq[k]=(yd[k]-x2[k])*x2[k]*(1.0-x2[k]); e+=(yd[k]-x2[k])*(yd[k]-x2[k]); //更新V,V矩阵是隐藏层与输出层之间的权值 for(intj=0;j { v[j,k]+=rate*qq[k]*x1[j]; } } //计算隐层误差 for(intj=0;j { //PP矩阵是隐藏层的误差 pp[j]=0.0; //算法参考我的视频截图 for(intk=0;k { pp[j]+=qq[k]*v[j,k]; } pp[j]=pp[j]*x1[j]*(1-x1[j]); //更新W for(inti=0;i { w[i,j]+=rate*pp[j]*x[i]; } } //更新b2,输出层的阈值 for(intk=0;k { b2[k]+=rate*qq[k]; } //更新b1,隐藏层的阈值 for(intj=0;j { b1[j]+=rate*pp[j]; } }//endisamp e=Math.Sqrt(e);//均方差 //adjustWV(w,dw); //adjustWV(v,dv); }//endtrain publicvoidadjustWV(double[,]w,double[,]dw) { for(inti=0;i { for(intj=0;j (1);j++) { w[i,j]+=dw[i,j]; } } } publicvoidadjustWV(double[]w,double[]dw) { for(inti=0;i { w[i]+=dw[i]; } } //数据仿真函数 publicdouble[]sim(double[]psim) { for(inti=0;i x[i]=psim[i]/in_rate;//in_rate为归一化系数 for(intj=0;j { o1[j]=0.0; for(inti=0;i o1[j]=o1[j]+w[i,j]*x[i]; x1[j]=1.0/(1.0+Math.Exp(-o1[j]-b1[j])); } for(intk=0;k { o2[k]=0.0; for(intj=0;j o2[k]=o2[k]+v[j,k]*x1[j]; x2[k]=1.0/(1.0+Math.Exp(-o2[k]-b2[k])); x2[k]=in_rate*x2[k]; }? returnx2; }//endsim //保存矩阵w,v publicvoidsaveMatrix(double[,]w,stringfilename) { StreamWritersw=File.CreateText(filename); for(inti=0;i { for(intj=0;j (1);j++) { sw.Write(w[i,j]+""); } sw.WriteLine(); } sw.Close(); } //保存矩阵b1,b2 publicvoidsaveMatrix(double[]b,stringfilename) { StreamWritersw=File.CreateText(filename); for(inti=0;i { sw.Write(b[i]+""); } sw.Close(); } //读取矩阵W,V publicvoidreadMatrixW(double[,]w,stringfilename) { StreamReadersr; try? { sr=newStreamReader(filename,Encoding.GetEnc
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- bp 神经网络 详细 步骤 实现