利用BP神经网络训练y=cosX.docxVIP

利用BP神经网络训练y=cosX实验一、流程图和算法：任取初始权值第一步：取第一组样本，计算网络输出。样本为隐层第一层各节点的全值（i=1,2,3）隐层第一层各节点的输出（i=1,2,3）隐层第二层各节点的权值（i=1,2,3,4）隐层第二层各节点的输出（i=1,2,3,4）输出层节点的权值输出层的节点输出其中第二步：调整权系数1、对于输出层的第i个权系数 (i=1,2,3,4)（i=1,2,3,4）2、对于第二个隐层第i个节点的第j个权系数（i=1，2，3，4；j=1，2，3）（i=1，2，3，4；j=1，2，3）3、对于第一个隐层第i个节点的权系数（i=1，2，3，4；j=1，2，3）其中第三步：输入第2个样本，返回第一步，直至n组样本全部用完，为训练一次。如此反复的训练权值，直至二、训练结果红色线条表示网络的输出，蓝色线条表示样本输出值。从图中可以观察到，即使训练100次后，偏差较大。增加一个5节点的隐层后，经过100次训练后网络输出如下图所示三、程序代码//3层BP网络100次训练#includeiostream#includecmath#includefstreamusing namespace std;const double pi=3.1415926;const double u=0.9;//第一层系数double W1[3]={1,1,1};double X1[3];double N1[3];//第二层double W2[4][3]={{1,1,1},{1,1,1},{1,1,1},{1,1,1}};double X2[4];double N2[4];//第三层系数 double W3[4]={1,1,1,1}; double N3;//学习系数double D3[4];double D2[4][3];double D1[3];//样本y=|cos(x)|double X[100];double D[100];//初始化样本void init_XD(void){for (int i=0;i100;i++){X[i]=-2*pi+i*4*pi/100;D[i]=fabs(cos(X[i]));}}//激励函数f(N)double f(double N){return 1/(1+exp(-N));}//f(N)double diff_f(double N){return f(N)*(1-f(N));}//网络输出计算,sample_x为输入，函数output(x)为输出double output(double sample_x){for(int i=0;i3;i++){N1[i]=W1[i]*sample_x;X1[i]=f(N1[i]);}for (int k=0;k4;k++){N2[k]=0;for (int j=0;j3;j++){N2[k]+=X1[j]*W2[k][j];}X2[k]=f(N2[k]);}N3=0;for (int m=0;m4;m++){N3+=X2[m]*W3[m];} return f(N3);}//权系数调整void pramtr_change(const double sample_x,const double output_y,const double sample_d){//对于输出层for (int k=0;k4;k++){D3[k]=(sample_d-output_y)*diff_f(N3)*X2[k];W3[k]=W3[k]+u*D3[k];}//对于第二层for (int i=0;i3;i++){for (int j=0;j4;j++){D2[j][i]=(sample_d-output_y)*diff_f(N3)*W3[j]*diff_f(N2[j])*X1[i]; W2[j][i]=W2[j][i]+u*D2[j][i];}}//对于第一层for (int m=0;m3;m++){D1[m]=0;for (int n=0;n4;n++){D1[m]+=(sample_d-output_y)*diff_f(N3)*W3[n]*diff_f(N2[n])*W2[n][m]*diff_f(N1[m])*sample_x;}W1[m]=W1[m]+u*D1[m];}}int main(){init_XD();double p=0; ofstream file1(c:\\a.txt);for(int j=0;j100;j++){file1X[j] ;}file1endl;for (int k=0;k100;k++){file1D[k] ;}file1endl;for(int i=0;i100;i++){p