哪位大俠有關于bp神經網絡隱層如何采用RBF的隱層自學習方法的C語言程序


加入慣性系數，已加快收斂速度，代碼如下：

#include <stdlib.h>
#include <math.h>
#include <stdio.h>
#include <time.h>

#define OUT_COUT 2     //輸出向量維數
#define IN_COUT 3     //輸入向量維數
#define COUT     6     //樣本數量

typedef struct {       //bp人工神經網絡結構
    int h;             //實際使用隱層數量
    double v[IN_COUT][50];   //隱藏層權矩陣i,隱層節點最大數量為100
    double w[50][OUT_COUT];   //輸出層權矩陣
    double a;          //學習率
    double b;          //精度控制參數
    double c;          //慣性系數0.9-1
    int LoopCout;      //最大循環次數
} bp_nn;

double fnet(double net) { //Sigmoid函數,神經網絡激活函數
    return 1/(1+exp(-net));
}

int InitBp(bp_nn *bp) { //初始化bp網絡
    
    printf("請輸入隱層節點數，最大數為100：\n");    
    scanf("%d", &(*bp).h);
    
    printf("請輸入學習率：\n");
    scanf("%lf", &(*bp).a);    //(*bp).a為double型數據，所以必須是lf

    printf("請輸入精度控制參數：\n");
    scanf("%lf", &(*bp).b);

    printf("請輸入慣性系數：\n");
    scanf("%lf", &(*bp).c);

    printf("請輸入最大循環次數：\n");
    scanf("%d", &(*bp).LoopCout);

    int i, j;
    srand((unsigned)time(NULL));
    for (i = 0; i < IN_COUT; i++) 
        for (j = 0; j < (*bp).h; j++)
            (*bp).v[j] = rand() / (double)(RAND_MAX);    
    for (i = 0; i < (*bp).h; i++) 
        for (j = 0; j < OUT_COUT; j++)
            (*bp).w[j] = rand() / (double)(RAND_MAX);    
    
    return 1;
}

int TrainBp(bp_nn *bp, float x[COUT][IN_COUT], int y[COUT][OUT_COUT]) {
//訓練bp網絡，樣本為x，理想輸出為y
    double f = (*bp).b;                      //精度控制參數
    double a = (*bp).a;                      //學習率
    double c = (*bp).c;                      //慣性系數
    int h = (*bp).h;                         //隱層節點數
    double v[IN_COUT][50], w[50][OUT_COUT]; //權矩陣
    double Ch_v[IN_COUT][50], Ch_w[50][OUT_COUT]; //權矩陣修改量
    double Temp_v[IN_COUT][50], Temp_w[50][OUT_COUT]; //權矩陣修改量
    double ChgH[50], ChgO[OUT_COUT];         //修改量矩陣
    double O1[50], O2[OUT_COUT];             //隱層和輸出層輸出量
    int LoopCout = (*bp).LoopCout;           //最大循環次數
    int i, j, k, n;
    double temp;

    for (i = 0; i < IN_COUT; i++)            // 復制結構體中的權矩陣 
        for (j = 0; j < h; j++)
            v[j] = (*bp).v[j];
    for (i = 0; i < h; i++)
        for (j = 0; j < OUT_COUT; j++)
            w[j] = (*bp).w[j];
    
    double e = f + 1;
    for (n = 0; e > f && n < LoopCout; n++) { //對每個樣本訓練網絡
        e = 0;
        for (j = 0; j < OUT_COUT; j++)
            ChgO[j] = 0;
        for (j = 0; j < h; j++)
            ChgH[j] = 0;
        for (j = 0; j < h; j++)          
            for (k = 0; k < OUT_COUT; k++)
                Ch_w[j][k] = 0; 
        for (j = 0; j < IN_COUT; j++)    
            for (k = 0; k < h; k++)
                Ch_v[j][k] = 0; 
        for (i= 0; i < COUT; i++) { 
            for (j = 0; j < h; j++)          
                for (k = 0; k < OUT_COUT; k++)
                    Temp_w[j][k] = 0; 
            for (j = 0; j < IN_COUT; j++)    
                for (k = 0; k < h; k++)
                    Temp_v[j][k] = 0; 
            for (k= 0; k < h; k++) {          //計算隱層輸出向量
                temp = 0;
                for (j = 0; j < IN_COUT; j++)
                    temp = temp + x[j] * v[j][k];    
                O1[k] = fnet(temp);
            }
            for (k = 0; k < OUT_COUT; k++) { //計算輸出層輸出向量
                temp = 0;
                for (j = 0; j < h; j++)
                    temp = temp + O1[j] * w[j][k];
                O2[k] = fnet(temp);
            }
            for (j = 0; j < OUT_COUT ; j++)   //計算輸出誤差
                e = e + (y[j] - O2[j]) * (y[j] - O2[j]);
            for (j = 0; j < OUT_COUT; j++)    
                ChgO[j] = O2[j] * (1 - O2[j]) * (y[j] - O2[j]);
            for (j = 0; j < h; j++)          
                for (k = 0; k < OUT_COUT; k++) {
                    Temp_w[j][k] = c * Temp_w[j][k] + a * O1[j] * ChgO[k];
                    Ch_w[j][k] += Temp_w[j][k]; //累加所有樣本訓練后的改變量
                }
            for (j = 0; j < h; j++) {      
                temp = 0;
                for (k = 0; k < OUT_COUT; k++)
                    temp = temp + w[j][k] * ChgO[k];
                ChgH[j] = temp * O1[j] * (1 - O1[j]);
            }
            for (j = 0; j < IN_COUT; j++)    
                for (k = 0; k < h; k++) {
                    Temp_v[j][k] = c * Temp_v[j][k] + a * x[j] * ChgH[k];
                    Ch_v[j][k] += Temp_v[j][k]; //累加所有樣本訓練后的改變量，消除樣本順序影響
                }
        }
        for (j = 0; j < h; j++)           //修改輸出層權矩陣
            for (k = 0; k < OUT_COUT; k++)
                w[j][k] = w[j][k] + Ch_w[j][k]; 
        for (j = 0; j < IN_COUT; j++)     //修改隱藏層權矩陣
            for (k = 0; k < h; k++)
                v[j][k] = v[j][k] + Ch_v[j][k]; 
        if (n % 10 == 0) {
            printf("誤差 : %f\n", e);
            printf("循環次數：%d\n", n);
        }
    }
    printf("總共循環次數：%d\n", n);
    printf("調整后的隱層權矩陣：\n");
    for (i = 0; i < IN_COUT; i++) {    
        for (j = 0; j < h; j++)
            printf("%f    ", v[j]);    
        printf("\n");
    }
    printf("調整后的輸出層權矩陣：\n");
    for (i = 0; i < h; i++) {
        for (j = 0; j < OUT_COUT; j++)
            printf("%f    ", w[j]);    
        printf("\n");
    }
    for (i = 0; i < IN_COUT; i++)             //把結果復制回結構體 
        for (j = 0; j < h; j++)
            (*bp).v[j] = v[j];
    for (i = 0; i < h; i++)
        for (j = 0; j < OUT_COUT; j++)
            (*bp).w[j] = w[j];
    printf("bp網絡訓練結束！\n");

    return 1;
}

int UseBp(bp_nn *bp) {    //使用bp網絡
    float Input[IN_COUT];
    double O1[50]; 
    double O2[OUT_COUT]; //O1為隱層輸出,O2為輸出層輸出
    while (1) {           //持續執行，除非中斷程序
        printf("請輸入3個數：\n");
        int i, j;
        for (i = 0; i < IN_COUT; i++)
            scanf("%f", &Input);
        double temp;
        for (i = 0; i < (*bp).h; i++) {
            temp = 0;
            for (j = 0; j < IN_COUT; j++)
                temp += Input[j] * (*bp).v[j];
            O1 = fnet(temp);
        }
        for (i = 0; i < OUT_COUT; i++) {
            temp = 0;
            for (j = 0; j < (*bp).h; j++)
                temp += O1[j] * (*bp).w[j];
            O2 = fnet(temp);
        }
        printf("結果：   ");
        for (i = 0; i < OUT_COUT; i++)
            printf("%.3f ", O2);
        printf("\n");
    }
    return 1;
}

int main()
{
    float x[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}}; //訓練樣本
    int y[COUT][OUT_COUT] = {{0,1},
                   {0,1},
                   {0,1},
                   {1,0},
                   {1,0},
                   {1,0}};          //理想輸出
    bp_nn bp;

    InitBp(&bp);                    //初始化bp網絡結構
    TrainBp(&bp, x, y);             //訓練bp神經網絡
    UseBp(&bp);                     //測試bp神經網絡

    return 1;
}