BP網路函式逼近

題目選擇2)

流程圖如下

原始碼

//////////////////////////////////////////////////
//題目函式逼近（2）z=sin（x）sin（y）
//////////////////////////////////////////////////
///////////////////標頭檔案////////////////////////
#include<iostream.h>
#include <math.h>
#include<fstream.h>
#include <time.h>
#include <stdlib.h>
#include <cstring>
//本BP網路採用三層神經網路，並且隱含層的結點數為3.樣本數量為225
/////////////////定義全域性變數//////////////////
double step=0.5,f,ne;//定義學習步長、平均誤差
int pass=0,i,j,k;
double sigmoid(double x);//作用函式為S型函式
double DER_sigmoid (double z);//作用函式的導數
double x[225][2]={0.0};//樣本輸入
double X[225][3]={0};
double O2[225][3]={0.0};//第二層的輸出
double X2[225][4]={0};//第三層的輸入
double Y[225]={0};//理想輸出
double y[225]={0.0};//實際輸出
double E,max;//每次訓練的200個樣本誤差累加,每次訓練的最大誤差
double W2[3][3]={0.0};//第2層網路的權值
double W3[4]={0.0};//第3層網路的權值
double derW2,derW1;//權值調整量
//double EN1[200][4]={0},EN2[225][3]={0}; //誤差對W的偏導數，分別是第3層、第2層；
/////////////////////定義作用函式//////////////////////////////
double sigmoid(double x)//第2，3層作用函式
{
     f=exp(x)/(exp(x)+1);
     return f;
}
void main()
{
	///////////////////////權值初始值///////////////////////
	srand((unsigned)time(NULL));//以時間為種子
	ofstream  out("函式逼近（2）題.txt");//輸出檔案
	out<<"輸出隱含層連線權值初始值："<<"\n";
	for (i=0;i<3;i++)
	{
		for (j=0;j<3;j++)
		{
			W2[i][j]=(rand()%60);
			W2[i][j]=W2[i][j]/100-0.3;//第2層權值初始值的設定在[-0.3,0.3]內取
			out<<"W["<<i<<"]["<<j<<"]="<<W2[i][j]<<"    ";
		}
		out<<"\n";
	}
	out<<"輸出層權值初始值："<<"\n";
	for (i=0;i<4;i++)
	{
		W3[i]=(rand()%60);//第3層權值初始值的設定在[-0.3,0.3]內取
		W3[i]=W3[i]/100-0.3;
		out<<"W["<<i<<"]="<<W3[i]<<"\n";
	}	
	out<<"\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\"<<"\n";
	
	////////////////////////////取225個樣本/////////
	    int n=0;
		double D1=(3*3.1415926)/15;
		double D2=(3*3.1415926)/16;
		double x1[15]={0},y1[15]={0};
		for (i=0;i<15;i++)
		{
			x1[i]=D1*n;//在[0，3pai]之間均勻取15個x
            y1[i]=D2*(n+1);//在[0，3pai]之間均勻取15個y
			n++;
		}
	
			i=0;
			for (j=0;j<15;j++)
			{
				k=0;
				while (k<15)
				{
					x[i][0]=x1[j];
					x[i][1]=y1[k];
				    Y[i]=sin(x1[j])*sin(y1[k]);
					k++;
					i++;
				}
			}
	///////////////////訓練BP網路/////////////////////////
		//////////////輸入的X[225][3]/////////
		for (i=0;i<225;i++)
		{
			for (j=0;j<3;j++)
			{
				switch(j)
				{
				     case 0: X[i][0]=-1;
					 case 1:X[i][1]=x[i][0];
					 case 2:X[i][2]=x[i][1];
				}
				//out<<"輸入X["<<i<<"]["<<j<<"]="<<X[i][j]<<"   \n";
			}
		}

	double e=0;
	double p1,p2;//第2，3層的活化值
 do  
   {
		/////////////////////////網路學習//////////////////////////
    e=0;
	++pass;
	for (i=0;i<225;i++)
	{
		for (j=0;j<3;j++)
		{
			p1=0;//第2層活化值置0
			for (k=0;k<3;k++)
			{
                p1=p1+X[i][k]*W2[k][j];
			}
			O2[i][j]=sigmoid(p1);
			//out<<"O2["<<i<<"]["<<j<<"]="<<O2[i][j]<<"\n";
		}
	}
	///////////////第3層的輸入/////////
	for (i=0;i<225;i++)
	{
		for (k=0;k<4;k++)
        {
			switch(k)
			{
			case 0: X2[i][0]=-1;
			case 1: X2[i][1]=O2[i][0];
			case 2: X2[i][2]=O2[i][1];
            case 3: X2[i][3]=O2[i][2];
			}
			//out<<"輸入X2["<<i<<"]["<<k<<"]="<<X2[i][k]<<"   \n";
        }
		p2=0;//第3層活化值置0
		for (j=0;j<4;j++)
		{
			p2=p2+X2[i][j]*W3[j];
		}
        y[i]=sigmoid(p2);//實際輸出
	    e=e+0.5*(Y[i]-y[i])*(Y[i]-y[i]);
		ne=e/(i+1);
	
	//////////////////////////權值修改/////////////////////////////////
		for (j=0;j<4;j++)//第3層權值修改
		{
			double x1=0;
             x1=x1-(Y[i]-y[i])*y[i]*(1-y[i])*X2[i][j];
			W3[j]=W3[j]-step*x1;
		}
		for (k=0;k<3;k++)
		{
			for (j=0;j<3;j++)//第2層權值修改
			{
				double x2=0;
				x2=x2-O2[i][k]*(1-O2[i][k])*(Y[i]-y[i])*y[i]*(1-y[i])*X[i][j];
				W2[j][k]=W2[j][k]-step*x2;	
			}
		}
	}
    } while(ne>0.02&&pass<6000);
	out<<"訓練樣本次數："<<pass<<"    小於最大訓練6000次數，結果可靠!\n";
	out<<"最大誤差："<<ne<<"\n";
	out<<"最後一個週期200個樣本的誤差累計和為："<<e<<"\n";
	out<<"輸出隱含層連線權值："<<"\n";
	for (i=0;i<3;i++)
	{
		for (j=0;j<4;j++)
		{
			out<<"W["<<i<<"]["<<j<<"]="<<W2[i][j]<<"    ";
		}
		out<<"\n";
	}
	out<<"輸出層權值："<<"\n";
	for (j=0;j<4;j++)
	{
		out<<"W["<<j<<"]="<<W3[j]<<"\n";
	}
	/////////////////驗證第3個樣本/////////
	{
		i=3;
		for (j=0;j<3;j++)
		{
			p1=0.0;//第2層活化值置零
			for (k=0;k<3;k++)
			{
				p1=p1+X[i][k]*W2[k][j];
			}
			O2[i][j]=sigmoid(p1);
			out<<	O2[i][j]<<"  \n";
		}
		for (k=0;k<4;k++)
		{
			switch(k)
			{
			case 0: X2[i][0]=-1;
			case 1: X2[i][1]=O2[i][0];
			case 2: X2[i][2]=O2[i][1];
			case 3: X2[i][3]=O2[i][2];
			}
			out<<"輸入X2["<<i<<"]["<<k<<"]="<<X2[i][k]<<"   \n";
		}
		p2=0.0;//第3層活化值置零
		for (j=0;j<4;j++)
		{
			p2=p2+X2[i][j]*W3[j];
		}
		y[i]=sigmoid(p2);//實際輸出
		e=fabs(Y[i]-y[i]);
		out<<"第三個樣本的誤差e："<<e<<"\n"; 
	}
}
 

結果截圖