BP_神经网络算法.pptVIP

基于bp神经网络的学习 组员：沈梦叶，叶枫，夏鼎 1.BP神经网络模型 关于程序中的变量 程序中的使用了两个结构体定义bp神经网络net和定义net中的每一层，本程序很简单的使用了3层网络模式，输入层是30个神经元，隐层是10个神经元，输出成只有一个神经元。 typedef struct { /* A NET: */ LAYER** Layer; /* - layers of this net */ // 这个网络有多少层 LAYER* InputLayer; /* - input layer */ // 输入层 LAYER* OutputLayer; /* - output layer */ // 输出层 REAL Alpha; /* - momentum factor */ //动量因子 REAL Eta; /* - learning rate */ //学习步长 REAL Gain; /* - gain of sigmoid function */ //S函数的系数 REAL Error; /* - total net error */ //整一个net的误差 } NET; 这个是关于层的结构体的定义 typedef struct { INT Units; */ //神经元个数 REAL* Output; */ //神经元的输出数组 REAL* Error; */ //每一个神经元的误差数组 REAL** Weight; //这是每一个神经元与上一层之间的圈子 REAL** WeightSave; // 这个是在最后结束之时保存最后的权值 REAL** dWeight; // } LAYER; 这就是这个程序中主要的两个数据类型，下面开始介绍BP神经网络。 1. BP神经网络的初始化 1.初始化网络 1.1 在这个过程中，主要是要对整个网络进行了内存分配和分别对每一层也进行了内存的分配。还有就是对每一层中的几个成员变量进行了内存分配，做好了这些以后也对层间的权值进行了内存分配。 1.2 还有还对网络中的InputLayer(输入层),OutputLayer(输出层),Alpha(动量因子),Eta(学习步长) ,Gain(S函数的系数) Net-Layer[l]-Units = Units[l]; Net-Layer[l]-Output = (REAL*) calloc(Units[l]+1, sizeof(REAL)); Net-Layer[l]-Error = (REAL*) calloc(Units[l]+1, sizeof(REAL)); Net-Layer[l]-Weight = (REAL**) calloc(Units[l]+1, sizeof(REAL*)); Net-Layer[l]-WeightSave = (REAL**) calloc(Units[l]+1, sizeof(REAL*)); Net-Layer[l]-dWeight = (REAL**) calloc(Units[l]+1, sizeof(REAL*)); Net-InputLayer = Net-Layer[0]; Net-OutputLayer = Net-Layer[NUM_LAYERS - 1]; Net-Alpha = 0.9;