bp神经网络的c#语言实现

}
}
rate=0.8;
e=0.0;
in_rate=1.0;
}
//训练函数
public void train(double [,] p,double [,] t)
{
e=0.0;
yd[i]=t[isamp,i]/in_rate;
}
//计算隐层的输入和输出
for(int j=0;j<hideNum;j++)
{
o1[j]=0.0;
for(int i=0;i<inNum;i++)
Console.WriteLine("输入节点数目： "+inNum);
Console.WriteLine("隐层节点数目："+hideNum);
Console.WriteLine("输出层节点数目："+outNum);
Console.ReadLine();
db1=new double[hideNum];
db2=new double[outNum];
pp=new double[hideNum];
qq=new double[outNum];
yd=new double[outNum];
{
for(int i=0;i<w.GetLength(0);i++)
{
for(int j=0;j<w.GetLength(1);j++)
{
w[i,j]+=dw[i,j];
}
}
public double [] db2;//输出层阈值矩阵
double [] pp;//输出层的误差
double [] qq;//隐层的误差
double [] yd;//输出层的教师数据
public double e;//均方误差
double in_rate;//归一化比例系数
{
b2[k]+=rate*qq[k];
}
//更新b1
for(int j=0;j<hideNum;j++)
{
b1[j]+=rate*pp[j];
}
int hideNum;//隐层节点数
public int outNum;//输出层节点数
public int sampleNum;//样本总数
Random R;
double [] x;//输入节点的输入数据
double [] x1;//隐层节点的输出
{
pMax=Math.Abs(p[isamp,i]);
}
}
for(int j=0;j<outNum;j++)
{
if(Math.Abs(t[isamp,j])>pMax)
public int computeHideNum(int m,int n)
{
double s=Math.Sqrt(0.43*m*n+0.12*n*n+2.54*m+0.77*n+0.35)+0.51;
int ss=Convert.ToInt32(s);
{
o2[k]=0.0;
for(int j=0;j<hideNum;j++)
{
o2[k]+=v[j,k]*x1[j];
}
x2[k]=1.0/(1.0+Math.Exp(-o2[k]-b2[k]));
x=new double[inNum];
x1=new double[hideNum];
x2=new double[outNum];
o1=new double[hideNum];
o2=new double[outNum];
w=new double[inNum,hideNum];
}//end isamp
e=Math.Sqrt(e);
// adjustWV(w,dw);
// adjustWV(v,dv);
}//end train
public void adjustWV(double [,] w,double[,] dw)
{
pMax=Math.Abs(t[isamp,j]);
}
}
in_rate=pMax;
}//end isamp
for(int isamp=0;isamp<sampleNum;isamp++)
}
//计算输出层误差和均方差
for(int k=0;k<outNum;k++)
{
qq[k]=(yd[k]-x2[k])*x2[k]*(1.0-x2[k]);
e+=(yd[k]-x2[k])*(yd[k]-x2[k]);
}
public void adjustWV(double [] w,double[] dw)
{
for(int i=0;i<w.Length;i++)
{
w[i]+=dw[i];
}
{
pp[j]=0.0;
for(int k=0;k<outNum;k++)
{
pp[j]+=qq[k]*v[j,k];
}
pp[j]=pp[j]*x1[j]*(1-x1[j]);
{
//数据归一化
for(int i=0;i<inNum;i++)
{
x[i]=p[isamp,i]/in_rate;
}
for(int i=0;i<outNum;i++)
{
return ((s-(double)ss)>0.5) ? ss+1:ss;
}
public BpNet(double [,] p,double [,] t)
{
// 构造函数逻辑
R=new Random();
{
o1[j]+=w[i,j]*x[i];
}
x1[j]=1.0/(1.0+Math.Exp(-o1[j]-b1[j]));
}
//计算输出层的输入和输出
for(int k=0;k<outNum;k++)
//初始化w
for(int i=0;i<inNum;i++)
{
for(int j=0;j<hideNum;j++)
{
w[i,j]=(R.NextDouble()*2-1.0)/2;
}
}
//初始化v
for(int i=0;i<hideNum;i++)
{
for(int j=0;j<outNum;j++)
{
v[i,j]=(R.NextDouble()*2-1.0)/2;
v=new double[hideNum,outNum];
dw=new double[inNum,hideNum];
dv=new double[hideNum,outNum];
b1=new double[hideNum];
b2=new double[outNum];
using System;
using System.IO;
using System.Text;
namespace BpANNet
{
/// <summary>
/// BpNet 的摘要说明。
/// <Βιβλιοθήκη summary> public class BpNet
{
public int inNum;//输入节点数
//更新W
for(int i=0;i<inNum;i++)
{
w[i,j]+=rate*pp[j]*x[i];
}
}
//更新b2
for(int k=0;k<outNum;k++)
public double [,] dv;//权值矩阵V
public double rate;//学习率
public double [] b1;//隐层阈值矩阵
public double [] b2;//输出层阈值矩阵
public double [] db1;//隐层阈值矩阵
double [] x2;//输出节点的输出
double [] o1;//隐层的输入
double [] o2;//输出层的输入
public double [,] w;//权值矩阵w
public double [,] v;//权值矩阵V
public double [,] dw;//权值矩阵w
//求p，t中的最大值
double pMax=0.0;
for(int isamp=0;isamp<sampleNum;isamp++)
{
for(int i=0;i<inNum;i++)
{
if(Math.Abs(p[isamp,i])>pMax)
//更新V
for(int j=0;j<hideNum;j++)