BP神经网络实验报告资料(共8页).doc

《BP神经网络实验报告资料(共8页).doc》由会员分享，可在线阅读，更多相关《BP神经网络实验报告资料(共8页).doc（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上江南大学物联网工程学院实验报告课程名称 人工智能 实验名称 BP神经网络 实验日期 2016-04-30 班级 计科1305 姓名 游思睿 学号 实验报告要求 1实验名称 2实验要求 3实验环境 4实验步骤 5实验体会 一、 实验目的： 两个输入a、b（10以内的数），一个输出 c，c=a+b。换句话说就是教BP神经网络加法运算。二、 实验内容： Data 用来表示已经知道的数据样本的数量，也就是训练样本的数量。In 表示对于每个样本有多少个输入变量; Out 表示对于每个样本有多少个输出变量。Neuron 表示神经元的数量，TrainC 来表示训练的次数。再来我们看

2、对神经网络描述的数据定义，来看下面这张图里面的数据类型都是 double 型。 d_inDataIn 存储 Data 个样本，每个样本的 In 个输入。d_outDataOut 存储 Data 个样本，每个样本的 Out 个输出。我们用邻接表法来表示 图1 中的网络，wNeuronIn 表示某个输入对某个神经元的权重，vOutNeuron 来表示某个神经元对某个输出的权重；与之对应的保存它们两个修正量的数组 dwNeuronIn 和 dvOutNeuron。数组 oNeuron 记录的是神经元通过激活函数对外的输出，OutputDataOut 存储BP神经网络的输出。 初始化主要是涉及两个方面

3、的功能，一方面是对读取的训练样本数据进行归一化处理，归一化处理就是指的就是将数据转换成01之间。在BP神经网络理论里面，并没有对这个进行要求，不过实际实践过程中，归一化处理是不可或缺的。因为理论模型没考虑到，BP神经网络收敛的速率问题，一般来说神经元的输出对于01之间的数据非常敏感，归一化能够显著提高训练效率。可以用以下公式来对其进行归一化，其中 加个常数A 是为了防止出现 0 的情况（0不能为分母）。 y=(x-MinValue+A)/(MaxValue-MinValue+A) 另一方面，就是对神经元的权重进行初始化了，数据归一到了（01）之间，那么权重初始化为（-11）之间的数据，另外对修

4、正量赋值为0 函数 backUpdate(i) 负责的是将预测输出的结果与样本真实的结果进行比对，然后对神经网络中涉及到的权重进行修正，也这是BP神经网络实现的关键所在。如何求到对于 wNeuronIn 和 vOutNeuron 进行修正的误差量便是关键所在！误差修正量的求法在基本模型一文中数学分析部分有解答，具体问题具体分析，落实到我们设计的这个BP神经网络上来说，需要得到的是对wNeuronIn 和 vOutNeuron 两个数据进行修正误差，误差量用数据结构 dwNeuronIn 和 dvOutNeuron 来进行存储。那么来分析下这两个修正误差量是什么样的？推导的思路与基本模型中推导误

5、差量的一致，这里仅列出对具体对于我们设计的BP神经网络中的数学推导过程：三、 实验环境 VS2010四、 实验步骤（对照截图具体说明，尽量详细） #include #include #include #include #define Data 820#define In 2#define Out 1#define Neuron 45#define TrainC 20000#define A 0.2#define B 0.4#define a 0.2#define b 0.3double d_inDataIn,d_outDataOut;double wNeuronIn,oNeuron,vOutN

6、euron;double MaxinIn,MininIn,MaxoutOut,MinoutOut;double OutputDataOut;double dvOutNeuron,dwNeuronIn;double e;void writeTest()FILE *fp1,*fp2;double r1,r2;int i;srand(unsigned)time(NULL); if(fp1=fopen(D:in.txt,w)=NULL)printf(can not open the in filen);exit(0);if(fp2=fopen(D:out.txt,w)=NULL)printf(can

7、not open the out filen);exit(0);for(i=0;iData;i+)r1=rand()%1000/100.0;r2=rand()%1000/100.0;fprintf(fp1,%lf %lfn,r1,r2);fprintf(fp2,%lf n,r1+r2);fclose(fp1);fclose(fp2);void readData()FILE *fp1,*fp2;int i,j;if(fp1=fopen(D:in.txt,r)=NULL)printf(can not open the in filen);exit(0);for(i=0;iData;i+)for(j

8、=0; jIn; j+)fscanf(fp1,%lf,&d_inij);fclose(fp1);if(fp2=fopen(D:out.txt,r)=NULL)printf(can not open the out filen);exit(0);for(i=0;iData;i+)for(j=0; jOut; j+)fscanf(fp1,%lf,&d_outij);fclose(fp2);void initBPNework()int i,j;for(i=0; iIn; i+)Minini=Maxini=d_in0i;for(j=0; jd_inji?Maxini:d_inji;Minini=Min

9、inid_inji?Minini:d_inji;for(i=0; iOut; i+)Minouti=Maxouti=d_out0i;for(j=0; jd_outji?Maxouti:d_outji;Minouti=Minoutid_outji?Minouti:d_outji;for (i = 0; i In; i+)for(j = 0; j Data; j+)d_inji=(d_inji-Minini+1)/(Maxini-Minini+1);for (i = 0; i Out; i+)for(j = 0; j Data; j+)d_outji=(d_outji-Minouti+1)/(Ma

10、xouti-Minouti+1);for (i = 0; i Neuron; +i)for (j = 0; j In; +j)wij=rand()*2.0/RAND_MAX-1;dwij=0;for (i = 0; i Neuron; +i)for (j = 0; j Out; +j)vji=rand()*2.0/RAND_MAX-1;dvji=0;void computO(int var)int i,j;double sum,y;for (i = 0; i Neuron; +i)sum=0;for (j = 0; j In; +j)sum+=wij*d_invarj;oi=1/(1+exp(

11、-1*sum);for (i = 0; i Out; +i)sum=0;for (j = 0; j Neuron; +j)sum+=vij*oj;OutputDatai=sum;void backUpdate(int var)int i,j;double t;for (i = 0; i Neuron; +i)t=0;for (j = 0; j Out; +j)t+=(OutputDataj-d_outvarj)*vji;dvji=A*dvji+B*(OutputDataj-d_outvarj)*oi;vji-=dvji;for (j = 0; j In; +j)dwij=a*dwij+b*t*

12、oi*(1-oi)*d_invarj;wij-=dwij;double result(double var1,double var2)int i,j;double sum,y;var1=(var1-Minin0+1)/(Maxin0-Minin0+1);var2=(var2-Minin1+1)/(Maxin1-Minin1+1);for (i = 0; i Neuron; +i)sum=0;sum=wi0*var1+wi1*var2;oi=1/(1+exp(-1*sum);sum=0;for (j = 0; j Neuron; +j)sum+=v0j*oj;return sum*(Maxout

13、0-Minout0+1)+Minout0-1;void writeNeuron()FILE *fp1;int i,j;if(fp1=fopen(D:neuron.txt,w)=NULL)printf(can not open the neuron filen);exit(0);for (i = 0; i Neuron; +i)for (j = 0; j In; +j)fprintf(fp1,%lf ,wij);fprintf(fp1,nnnn);for (i = 0; i Neuron; +i)for (j = 0; j Out; +j)fprintf(fp1,%lf ,vji);fclose

14、(fp1);void trainNetwork()int i,c=0,j;doe=0;for (i = 0; i Data; +i)computO(i);for (j = 0; j Out; +j)e+=fabs(OutputDataj-d_outij)/d_outij);backUpdate(i);printf(%d %lfn,c,e/Data);c+;while(c0.01);int main(int argc, char const *argv)writeTest();readData();initBPNework();trainNetwork();printf(%lf n,result(6,8) );printf(%lf n,result(2.1,7) );printf(%lf n,result(4.3,8) );writeNeuron();return 0; 五、 实验体会 教师评价 优良 中及格不及格教师签名日期专心-专注-专业