BP算法-别人用C写的和用Matlab实现的

// BP算法.cpp : 定义控制台应用程序的入口点。 // #include "stdafx.h" #include "iostream" #include <string.h> #include <stdio.h> #include <stdlib.h> #include <math.h> #include <time.h> #define N 4 //列，N维输入数据 #define M 214 //行，M个样本记录 #define TrainCount 150 //训练样本个数，总样本的75% #define TestCount 64 //测试样本个数，总样本的25% FILE *sample=fopen("sample.txt","r"); //样本数据所在文件 FILE *trainData=fopen("trainData.txt","w+"); //训练数据所在文件 FILE *test=fopen("test.txt","w+"); //测试数据所在文件 FILE *expectation=fopen("expectation.txt","w+"); //期望输出的数据所在文件 FILE *testActual=fopen("testActual.txt","w+"); //测试集数据中待预测数据的实际值 FILE *minmax=fopen("minmax.txt","w+"); //最大值和最小值 float A[M][N]={0}; //样本数据，N维，初始化为0 float Train[TrainCount][N]={0}; //参与训练的样本 float Test[TestCount][N]={0}; //参与测试的样本 float Max[N]; //每维数据的最大值，不初始化 float Min[N]; //每维数据的最小值，不初始化 float Weight[M][N]; //权重值 void readSample()//读取样本数据 { if(sample==0) { printf("找不到样本数据"); return; } for (int i=0;i<M;i++) { for (int j=0;j<N;j++) { fscanf(sample,"%f",&A[i][j]); } } printf("样本数据读取完毕/n"); } void findMinMax()//找最大值和最小值 { for (int i=0;i<N;i++)//对于每一维 { Min[i]=A[0][i];//假设最小值为第一个数据 Max[i]=A[0][i];//假设最大值为第一个数据 for (int j=0;j<M;j++)//对于每一条记录 { if (Max[i]<A[j][i])//注意下标，调换了 { Max[i]=A[j][i]; } if (Min[i]>A[j][i]) { Min[i]=A[j][i]; } } fprintf(minmax,"/n第%d维数据，最小值%f ，最大值%f ",i,Min[i],Max[i]); } printf("最大值最小值寻找完毕/n"); } void reflect()//样本数据归一化 { for (int i=0;i<N;i++)//每一维数据都需要归一化 { for (int j=0;j<M;j++)//每一条记录 { A[j][i]=(A[j][i]-Min[i])/(Max[i]-Min[i]); } } printf("样本数据归一化完毕/n"); } void setTrain()//设置训练样本，随机产生总体样本容量的75% { srand((unsigned)time(NULL));//产生一个以当前时间为种子的随机数 for (int j=0;j<N;j++)//对于每一维数据，都需要训练样本 { for (int i=0;i<TrainCount;i++) { int r=rand()%M;//产生0-99之间的随机数。注意：有可能重复！ Train[i][j]=A[r][j]; // printf("随机数是%d/n",r); } } printf("训练样本提取完毕/n"); } void saveTrain()//保存训练集到trainData.txt { if(trainData==0) { printf("找不到样本数据文件"); return; } for (int i=0;i<TrainCount;i++) { for (int j=0;j<N;j++) { fprintf(trainData,"%f ",Train[i][j]); } fprintf(trainData,"/n"); } printf("样本数据写入完毕/n"); } void saveExpectation()//保存期望输出数据到expectation.txt { if(expectation==0) { printf("找不到样本数据文件"); return; } for (int i=0;i<TrainCount;i++) { fprintf(expectation,"%f /n",Train[i][N-1]);//最后一维是溶解氧数据 } printf("期望输出数据写入完毕/n"); } void setTest()//设置测试样本，随机产生总体样本容量的25% { srand((unsigned)time(NULL));//产生一个以当前时间为种子的随机数 for (int j=0;j<N;j++)//对于每一维数据，都需要训练样本 { for (int i=0;i<TestCount;i++) { int r=rand()%M;//产生0-99之间的随机数。注意：有可能重复！ Test[i][j]=A[r][j]; // printf("随机数是%d/n",r); } } printf("训练样本提取完毕/n"); } void saveTest()//保存测试集到test.txt { if(test==0) { printf("找不到测试数据文件"); return; } for (int i=0;i<TestCount;i++) { for (int j=0;j<N;j++) { fprintf(test,"%f ",Test[i][j]); } fprintf(test,"/n"); } printf("测试数据写入完毕/n"); } void saveTestActual()//保存测试集中的实际值到testActual.txt { if(testActual==0) { printf("找不到测试数据中待测参数的文件"); return; } for (int i=0;i<TestCount;i++) { fprintf(testActual,"%f /n",Test[i][N-1]);//溶解氧在最后一列 } printf("测试数据中待测参数的文件写入完毕/n"); } void outputSample()//输出样本数据 { printf("样本数据如下：/n"); for (int i=0;i<M;i++) { for (int j=0;j<N;j++) { printf("%f, ",A[i][j]); } printf("/n"); } } void outputTrain()//输出训练样本 { printf("训练数据如下：/n"); for (int i=0;i<TrainCount;i++) { for (int j=0;j<N;j++) { printf("%f, ",Train[i][j]); } printf("/n"); } } void outputTest()//输出测试样本 { printf("测试数据如下：/n"); for (int i=0;i<TestCount;i++) { for (int j=0;j<N;j++) { printf("%f, ",Test[i][j]); } printf("/n"); } } int _tmain(int argc, _TCHAR* argv[]) { readSample();//读取样本 findMinMax();//找到各维的最大最小值 reflect();//归一化 setTrain();//随机选取75%样本作为训练集 saveTrain();//保存训练集 saveExpectation();//保存期望输出的数据 setTest();//随机选取25%样本作为测试集 saveTest();//保存测试集 saveTestActual();//保存待比较的实际值 system("pause"); return 0; }

%导入数据，之后运行如下代码
%输入3维训练向量。已经归一化处理。trainData.txt  。导入数据
P=trainData(:,:);
P=P';%转置
%输出1维期望输出向量。已经归一化处理。expectation.txt
T=expectation(:);
T=T';%转置
%输入向量的取值范围[0,1]。记得是4维
threshold=[0 1; 0 1; 0 1;0 1];

%新建BP网络，隐层神经元个数9（根据网络的性能向大或者向小取值调整）2*n+1,n=4
%输出神经元个数1，
%中间层神经元传递函数tansig（S型正切函数）
%输出层神经元传递函数logsig（S型对数函数）
%训练函数traingdx（梯度下降法学习，且学习速率是自适应的）

net=newff(threshold,[7 1],{'tansig','logsig'},'traingdx');

%网络训练次数
net.trainParam.epochs=1000;

%训练目标
net.trainParam.goal=0.001;

%开始训练
net=train(net,P,T);

 

%导入test.txt，然后运行如下代码
%接着训练部分。
P_Test=test(:,:);
P_Test=P_Test';
Y=sim(net,P_Test);

%加上下面的语句，保存结果到c://result.txt。还是需要处理的，当然比直接复制好多了
%csvwrite('c://result.txt',Y)
%z注意保存结果到自己的工作目录
%%导入result.txt，运行下面代码
%R=result(:);
%Y=result=R
将R导出到excel中
也可在matlab中进行曲线的模拟，源码:
导入testActual.txt，
和result.txt进行比较
注意转置

%假设长度为64
Z=test(:,4);%实际值
x=1:1:64;
plot(x,Y,'b');%预测值
hold on
plot(x,Z,'r');%实际值