神经网络算法应用（Neural network algorithm application）.doc

神经网络算法应用（Neural network algorithm application） 使用系统； 使用System.IO； 使用系统文本； 命名空间bpannet { 摘要 / / / bpnet的摘要说明。 // bpnet公共类 { static int err2 = 0； 静态变量err3 = 0； static int ERR1 = 0； public int inNum；/ /输入节点数 国际hidenum；/ /隐层节点数 public int outnum；/ /输出层节点数 public int samplenum；/ /样本总数 随机R； 双[ ] x；//输入节点的输入数据 双[ ] / /隐层节点的输出x1； 双[ ] / /输出节点的输出X2； 双[ ] O1；/ /隐层的输入 双[ ] O2；/ /输出层的输入 公共双[，]权值矩阵W / W； 公共双[，]权值矩阵V / V； 公共双[，] DW；/ /权值矩阵W 公共双[，] DV；/ /权值矩阵V 公共/学习率双率； 公共双[ ] B1；/ /隐层阈值矩阵 公共双[ ] B2；/ /输出层阈值矩阵 公众的双重[] DB1；/ /隐层阈值矩阵 公众的双重[] DB2；/ /输出层阈值矩阵 双[ ] / /输出层的误差PP； 双[ ] QQ；/ /隐层的误差 双[ ] / /输出层的教师数据YD； 公共/均方误差双E； public int computehidenum（int，int n） { 双S =数学。Sqrt（M + N）+ 4； int SS =转换。toint32（S）； 返回SS； } 市民BpNet（双[，]双[，] P、T） { / /构造函数逻辑 R =新（）； this.innum = p.getlength（1）； this.outnum = t.getlength（1）； this.hidenum = computehidenum（inNum，outnum）； /这hidenum = 18； this.samplenum = p.getlength（0）； 控制台。WriteLine（“输入节点数目：”+ inNum）； 控制台。WriteLine（“隐层节点数目：“+ hidenum）； 控制台。WriteLine（“输出层节点数目：“+ outnum）； X =新的双[无数]； X1 =新的双[ hidenum ]； X2 =新的双[ outnum ]； O1 =新的双[ hidenum ]； O2 =新的双[ outnum ]； W =新的双[ inNum，hidenum ]； V =新的双[ hidenum，outnum ]； DW =新的双[ inNum，hidenum ]； DV =新的双[ hidenum，outnum ]； B1 =新的双[ hidenum ]； B2 =新的双[ outnum ]； db1 =新的双[ hidenum ]； DB2 =新的双[ outnum ]； PP =新的双[ hidenum ]； QQ =新的双[ outnum ]； YD =新的双[ outnum ]； / /初始化W 为（int i = 0；i inNum；i++） { 为（j = 0；J hidenum；j++） { W [我] =（R. nextdouble()×2 - 1）/ 2； } } / /初始化V 为（int i = 0；i hidenum；i++） { 为（j = 0；J outnum；j++） { v [我] =（R. nextdouble()×2 - 1）/ 2； } } 率= 0.1； e＝0； } / /训练函数 公共无效列车（双[，]，P，双[，] t） { e＝0； / /求P中的最大值 双[ ] Pmax； Pmax =新的双[无数]； 为（int躺= 0；李 inNum；李+ +） [李] = { Pmax 0；} 对于（国际法= 0；法 inNum；法+ +） { for（int isamp = 0；isamp samplenum；isamp + +） { 如果（Pmax [法] P [ isamp，法]） [法] = P Pmax isamp [法]； } } 为（int isamp = 0；isamp samplenum；isamp + +） { / /数据归一化 为（int i = 0；i inNum；i++） { x [我] = P [我] / isamp，Pmax [我]； } 为（int i = 0；i outnum；i++） { YD [我] = T [ isamp， (i); } / / 计算隐层的输入和输出 for (int j = 0