// mybp.cpp : Defines the entry point for the console application.//
#include "stdafx.h"
#include <iostream.h>
#include <iomanip.h>
#include <stdlib.h>
#include <stdio.h>
#include <math.h>
#include <time.h>
#define N 5//樣本的訓練個數
#define IN 4//輸入層神經元數目
#define HN 1//隱層神經元數目
#define ON 5//輸出層神經元數目
class bpnet 
{
public:
    bpnet();
	virtual ~bpnet();
	Setbp();
    bp_learning(int m);
	bp_testing();
private:
    double P[N][IN];//單個樣本輸入數據
    double T[N][ON];//單個樣本輸出數據
    double W[IN][HN];//輸入層至隱層權值
    double V[HN][ON];//隱層至輸出層權值
	double X[HN];//隱層的輸入
    double Y[ON];//輸出層的輸入
    double H[HN];//隱層的輸出
    double O[ON];//輸出層的輸出
    double sita[HN];//隱層的閾值
    double gama[ON];//輸出層的閾值
    double err_m[N];//第m個樣本的總誤差
    double d_err[ON];//輸出層神經元的一般化誤差
	double e_err[HN];//隱層各神經元的一般化誤差
	double alpha;//輸出層至隱層的學習效率
    double beta;//隱層至輸入層學習效率
    double Pre_error;//預定誤差
	double inputp[N][IN];
	double inputt[N][ON];
	double alphaset;
	double betaset;
	double Testing[IN];
};
bpnet::bpnet()
{
  int i,j;
//隱層權、閾值初始化//
  cout<<"隱層初始化權值是:"<<endl;
  srand((unsigned)(time(NULL)));
  for (i=0;i<IN;i++)
  {
	  for (j=0;j<HN;j++)
	  {
		  W[i][j]=(float)(rand())/(32767);//隱層權值初始化
		  printf("W[%d][%d]=%f\n",i,j,W[i][j]);
	  } 
  }
  cout<<"隱層的初始化閾值是:"<<endl;
  for (j=0;j<HN;j++)
  {
	  sita[j]=(float)(rand())/RAND_MAX;//隱層閾值初始化
      printf("sita[%d]=%f\n",j,sita[j]);
  }
//輸出層權、閾值初始化//
  cout<<"輸出層的初始化權值是:"<<endl;
  for (int k=0;k<HN;k++)
  {
	  for (int m=0;m<ON;m++)
	  {
		V[k][m]=(float)(rand())/(32767);//輸出層權值初始化
	    printf("V[%d][%d]=%f\n",k,m,V[k][m]);
	  }
  }
  cout<<"輸出層的初始化閾值是:"<<endl;
  for (int m=0;m<ON;m++)
  {
	  gama[m]=(float)(rand())/RAND_MAX;//輸出層閾值初始化
	  printf("gama[%d]=%f\n",m,gama[m]);
  }
}
bpnet::Setbp()
{	
	cout<<"請輸入訓練神經網絡的輸入樣本:"<<endl;
	for (int i=0;i<N;i++)
	{
		printf("第%d組輸入樣本是:\n",i+1);

		{
			for(int j=0;j<IN;j++)
				cin>>inputp[i][j];
		}
	}
	cout<<"請輸入訓練神經網絡的輸出樣本:"<<endl;
	for (i=0;i<N;i++)
	{
		printf("第%d組輸出樣本是:\n",i+1);
		{
			for(int k=0;k<ON;k++)
			cin>>inputt[i][k];
		}
	}
	for (i=0;i<N;i++)
	{
		for(int j=0;j<IN;j++)
			P[i][j]=inputp[i][j];
		for (int k=0;k<ON;k++)
		    T[i][k]=inputt[i][k];
	}
	cout<<"請輸入輸出層到隱含層學習效率: "<<endl<<"alpha=";
	cin>>alphaset;
	if(alphaset>1)
	{
		cout<<"請輸入0-1之間的數!"<<endl;
		cin>>alphaset;
	}
	alpha=alphaset;
	cout<<"請輸入隱含層到輸入層學習效率:"<<endl<<"beta=";
	cin>>betaset;
	if(betaset>1)
	{
		cout<<"請輸入0-1之間的數!"<<endl;
	    cin>>betaset;
	}
    beta=betaset;
}

//////////////////
//bp網絡訓練//////
//////////////////
bpnet::bp_learning(int m)
{
	double sigma=0.0;
	printf("隱層的輸入X[HN]和輸出H[HN]分別為:\n");
   	for(m=0;m<N;m++)
	{
		for(int i=0;i<IN;i++)
			for(int j=0;j<HN;j++)
			{
				sigma+=P[m][i]*W[i][j];//求隱層內積
                X[j]=sigma-sita[j];//求隱層輸入
                H[j]=1.0/(1.0+exp(-X[j]));//求隱層輸出
				cout<<"X["<<j<<"]="<<setw(10)<<X[j]<<" ";
	            //printf("X[%d]=%f ",j,X[j]);
				cout<<"H["<<j<<"]="<<setw(10)<<H[j]<<endl;
				//printf("H[%d]=%f\n",j,H[j]);
			}
		
	}
	printf("輸出層的輸入Y[ON]和輸出O[ON]分別為:\n");
    for (int k=0;k<ON;k++)
	{
		for (int j=0;j<HN;j++)
		{
			sigma+=H[j]*V[j][k];//求輸出層內積
		    Y[k]=sigma-gama[k];//求輸出層凈輸入
            O[k]=1.0/(1.0+exp(-Y[k]));//求輸出層輸出
            cout<<"Y["<<k<<"]="<<setw(10)<<Y[k]<<" ";
			//printf("Y[%d]=%f ",k,Y[k]);
            cout<<"O["<<k<<"]="<<setw(10)<<O[k]<<endl;
			//printf("O[%d]=%f\n",k,O[k]);
		}
	}
	double abs_err[ON];//每個樣本的絕對誤差都是從0開始的
    double sqr_err=0;//每個樣本的平方誤差計算都是從0開始的
	for (k=0;k<ON;k++)
	{
		abs_err[k]=T[m][k]-O[k]; //求第m個樣本下的第k個神經元的絕對誤差
        sqr_err+=(abs_err[k])*(abs_err[k]);//求第m個樣本下輸出層的平方誤差
        d_err[k]=abs_err[k]*O[k]*(1.0-O[k]);//輸出層各神經元的一般化誤差
	}
	err_m[m]=sqr_err/2;//第m個樣本下輸出層的誤差/2=第m個樣本的誤差
    cout<<"第m個樣本的誤差為:"<<err_m[m]<<endl;
    for (int j=0;j<HN;j++)
	{
        for (int k=0;k<ON;k++)
		{
			sigma=d_err[k]*V[k][j];
		}
		e_err[j]=sigma*H[j]*(1-H[j]);//隱層各神經元的一般化誤差
	}
	cout<<"調整后輸出層的閾值gama[ON]和權值V[HN][ON]分別是:"<<endl;
	for (k=0;k<ON;k++)
	{
		gama[k]+=alpha*d_err[k];//輸出層至隱層的權值調整
        printf("gama[%d]=%f\n",k,gama[k]);
	}
	for(k=0;k<ON;k++)
		for (int j=0;j<HN;j++)
		{
			V[j][k]+=alpha*d_err[k]*H[j];//輸出層至隱層的閾值調整
            printf("V[%d][%d]=%f\n",j,k,V[j][k]);
		}
	
	cout<<"調整后隱層的閾值sita[HN]和權值W[IN][HN]分別是:"<<endl;
	for(j=0;j<HN;j++)
	{
		sita[j]+=beta*e_err[j];//隱層至輸入層的閾值調整
        printf("sita[%d]=%f\n",j,sita[j]);
	}
	for(j=0;j<HN;j++)
        for (int i=0;i<IN;i++)
		{
			for(m=0;m<N;m++)
			W[i][j]+=beta*e_err[j]*P[m][i];//隱層至輸入層的權值調整
			printf("W[%d][%d]=%f\n",i,j,W[i][j]);
		}
	
	double total_err=0;
    for (m=0;m<N;m++)
		total_err+=err_m[m];//每個樣本的均方誤差加起來就成了全局誤差
	    cout<<"全局誤差是:"<<total_err<<endl;
}
////////////////////////
///bp網絡性能驗證///////
////////////////////////
bpnet::bp_testing() 
{
	cout<<"下面進行神經網絡性能的驗證!"<<endl;
	cout<<"請輸入驗證神經網絡的樣本:"<<endl;
	for (int i=0;i<IN;i++)
	{
		cin>>Testing[i];
	}
	double sigma=0.0;
    for(i=0;i<IN;i++)
		for(int j=0;j<HN;j++)
			{
				sigma+=Testing[i]*W[i][j];//求隱層內積
                X[j]=sigma-sita[j];//求隱層輸入
                H[j]=1.0/(1.0+exp(-X[j]));//求隱層輸出
			}
	
	printf("輸出層輸出為:\n");
    for (int k=0;k<ON;k++)
	{
		for (int j=0;j<HN;j++)
		{
			sigma+=H[j]*V[j][k];//求輸出層內積
		    Y[k]=sigma-gama[k];//求輸出層凈輸入
            O[k]=1.0/(1.0+exp(-Y[k]));//求輸出層輸出
            cout<<"O["<<k<<"]="<<setw(20)<<O[k]<<endl;
			//printf("O[%d]=%f\n",k,O[k]);
		}
	}
}
bpnet::~bpnet()
{
}
main(int argc, char* argv[])
{
	bpnet MY;
	MY.Setbp(); 
	double total_err=0.0;
	double Pre_error;
	cout<<"請輸入預定誤差:"<<endl;
	cin>>Pre_error;
	int study=0;
	if(total_err<Pre_error)
	{
		for (int m=0;m<N;m++) 
		{
			MY.bp_learning(m);
		    ++study;
		} //全部樣本訓練完畢
			
	}
	cout<<"網絡已經學習了"<<study<<"次"<<endl;
    MY.bp_testing(); 
    char s;
	cout<<"請隨便輸入一個字符，按回車退出程序!"<<endl;
	cin>>s;
	return 1;
 }