public class BpNet extends Object {

  int inNum;  //輸入接點數
  int hideNum;//隱含接點數
  int outNum;  //輸出接點數


  int epochs;

  double x[]; //輸入向量
  double x1[];//隱含接點狀態值
  double x2[];//輸出接點狀態值

  double o1[];
  double o2[];
  double w[][];//隱含接點權值
  double w1[][];//輸出接點權值
  double rate_w; //權值學習率（輸入層-隱含層)
  double rate_w1;//權值學習率 (隱含層-輸出層)
  double rate_b1;//隱含層閥值學習率
  double rate_b2;//輸出層閥值學習率
  double b1[];//隱含接點閥值
  double b2[];//輸出接點閥值
  double pp[];
  double qq[];
  double yd[];
  double e;
  double in_rate;//輸入歸一化比例系數
  


  public BpNet(int inNum,int hideNum,int outNum) {
  this.epochs=500;
  this.inNum=inNum;
  this.hideNum=hideNum;
  this.outNum=outNum;
  x=new double[inNum]; //輸入向量
  x1=new double[hideNum];//隱含接點狀態值
  x2=new double[outNum];//輸出接點狀態值

  o1=new double[hideNum];
  o2=new double[outNum];
  w=new double[inNum][hideNum];//隱含接點權值
  w1=new double[hideNum][outNum];//輸出接點權值
  b1=new double[hideNum];//隱含接點閥值
  b2=new double[outNum];//輸出接點閥值
  pp=new double[hideNum];
  qq=new double[outNum];
  yd=new double[outNum];

  rate_w=0.05;//權值學習率（輸入層-隱含層)
  rate_w1=0.05;//權值學習率 (隱含層-輸出層)
  rate_b1=0.05;//隱含層閥值學習率
  rate_b2=0.05;//輸出層閥值學習率
  e=0.0;
  in_rate=1.0;//輸入歸一化系數
  

  }


  /**********************************/
  /*****BP神經控制器算法訓練函數*****/
  public void train(double p[][],double t[][],int samplenum){
  double etime=100;
  e=0.0;
  double pmax=0.0;
  for (int isamp=0;isamp<samplenum;isamp++){
      for (int i=0;i<inNum;i++)
          {if (Math.abs(p[isamp][i])>pmax)
              pmax=Math.abs(p[isamp][i]);
          }
      }//end for isamp


  in_rate=pmax;

 

  for(int isamp=0;isamp<samplenum;isamp++)//循環訓練一次樣本
  {
  for(int i=0;i<inNum;i++)
    x[i]=p[isamp][i]/in_rate;
  for(int i=0;i<outNum;i++)
    yd[i]=t[isamp][i];

  //構造每個樣本的輸入和輸出標準


  for(int j=0;j<hideNum;j++)
   {o1[j]=0.0;
    for(int i=0;i<inNum;i++)
      o1[j]=o1[j]+w[i][j]*x[i];
    x1[j]=1.0/(1.+Math.exp(-o1[j]-b1[j]));
   }


 for(int k=0;k<outNum;k++)
   {o2[k]=0.0;
    for(int j=0;j<hideNum;j++)
      o2[k]=o2[k]+w1[j][k]*x1[j];
    //x2[k]=1.0/(1.0+Math.exp(-o2[k]-b2[k]));
    x2[k]=o2[k]-b2[k];
   }

    //System.out.println("ok1");
 for(int k=0;k<outNum;k++)
   {//qq[k]=(yd[k]-x2[k])*x2[k]*(1.-x2[k]);
    qq[k]=(yd[k]-x2[k]);
    e+=Math.abs(yd[k]-x2[k])*Math.abs(yd[k]-x2[k]);//計算均方差
    for(int j=0;j<hideNum;j++)
    w1[j][k]=w1[j][k]+rate_w1*qq[k]*x1[j];
   }



 for(int j=0;j<hideNum;j++)
   {
    pp[j]=0.0;
    for(int k=0;k<outNum;k++)
      pp[j]=pp[j]+qq[k]*w1[j][k];
    pp[j]=pp[j]*x1[j]*(1.-x1[j]);
    for(int i=0;i<inNum;i++)
       w[i][j]=w[i][j]+rate_w*pp[j]*x[i];
    }

 for(int k=0;k<outNum;k++)
   b2[k]=b2[k]+rate_b2*qq[k];
 for(int j=0;j<hideNum;j++)
   b1[j]=b1[j]+rate_b1*pp[j];


   }//end isamp樣本循環
  e=Math.sqrt(e);

 }//end train
 /***************************************/
  /*****BP神經控制器算法模擬計算函數*****/
 public double[] sim(double psim[]){


  for(int i=0;i<inNum;i++)
    x[i]=psim[i]/in_rate;

  for(int j=0;j<hideNum;j++)
   {o1[j]=0.0;
    for(int i=0;i<inNum;i++)
      o1[j]=o1[j]+w[i][j]*x[i];
    x1[j]=1.0/(1.+Math.exp(-o1[j]-b1[j]));
   }
 for(int k=0;k<outNum;k++)
   {o2[k]=0.0;
    for(int j=0;j<hideNum;j++)
       o2[k]=o2[k]+w1[j][k]*x1[j];
    //x2[k]=1.0/(1.0+Math.exp(-o2[k]-b2[k]));
    x2[k]=o2[k]-b2[k];

    
   }
  

 return x2;
} //end sim

} //end bp class