用Java实现BP神经网络

class netword
{
    public static float biasvalue=-1;//偏移值
    public static float learnRate=0.25f;//学习率
    public netword child;//当前节点的子节点
    public netword perent;//当前节点的父节点
    
    public float[][] linkweight;//连接权重
    public float[] biasweight;//偏移权重
    public float[] value;//节点值
    public float[] desiedvalue;//真实值
    public float[] error;//误差
    public float[][] lastturn_detweigth;//上次训练得到的连接权重更新值（主要用于调整权重）
    
    public int numself;//当前节点数目
    public int childnum;//子节点数目
    Random r=new Random((new Date()).getTime());//
    public netword(int num,int cnum)
    {
        numself=num;
        childnum=cnum;
        initlize();
    }
    public void initlize()//初始化神经网络
    {
        linkweight=new float[numself][childnum];
        lastturn_detweigth=new float[numself][childnum];
        /******
         * 这里两重循环主要是给（输入层-隐匿层）和（隐匿层-输出层）的连接权重赋值
         * 
         * */
        for(int i=0;i<numself;i++)
        {
            for(int j=0;j<childnum;j++)
            {
                linkweight[i][j]=r.nextFloat();
                lastturn_detweigth[i][j]=0;
            }
        }
        value=new float[numself];
        desiedvalue=new float[numself];
        biasweight=new float[numself];
        error=new float[numself];
        for(int i=0;i<numself;i++)
        {
            value[i]=0;
            desiedvalue[i]=0;
            biasweight[i]=r.nextFloat();//对偏移权重赋初值
            error[i]=0;
        }
    }
    
    //向后计算各层的值；其中输入层的值为输入的数据，无需计算，隐匿层和输出层的值利用公式(神经元[i]的值=所有父亲节点的值与当前节点的连接权重乘积之和+偏移值*偏移权重)
    /**************
     * 
     * 或者公式
     * currentnode[i]=Math.exp((currentnode[i].perent.value[0]+......+currentnode[i].perent.value[n])+currentnode[i].biasvlue*currentnode[i].biasweight);
     * 
     * 
     * ******/
    public void clculateValue()
    {
        if(perent!=null)
        {
            for(int i=0;i<numself;i++)
            {
                float ttp=0;
                for(int j=0;j<perent.numself;j++)
                {
                    ttp+=(perent.linkweight[j][i]*perent.value[j]);
                }
                ttp+=(ttp*biasvalue*biasweight[i]);
                value[i]=(float)(1/(1+Math.exp(-ttp)));//ttp;/*******************/
            }
        }
    }
    public void clculateError()//计算各层的误差值，其中输入层不存在误差，
    {
        if(perent!=null)
        {
            if(child==null)//out输出层误差 计算公式:out[i].error=(out[i].desirevalue-out[i].value)*out[i].value*(1-out[i].value)
            {
                for(int i=0;i<numself;i++)
                {
                    error[i]=(desiedvalue[i]-value[i])*value[i]*(1-value[i]);
                    //System.out.println("**"+error[i]);
                }
            }else//hidden 隐匿层误差计算公式 hidden[i].error=(out[0].error*linkweight[i][0]*hidden[i].value*(1-hidden[i].value)+....+out[0].error*linkweight[i][n]*hidden[i].value*(1-hidden[i].value))
            {
                for(int i=0;i<numself;i++)
                {
                    float ttp=0;
                    for(int j=0;j<childnum;j++)
                    {
                        //
                        ttp+=(linkweight[i][j]*child.error[j])*value[i]*(1-value[i]);
                    }
                    error[i]=ttp;
                }
            }
        }else//int
        {
            for(int i=0;i<numself;i++)
            {            
                error[i]=0;
            }
        }
    }
    public void UpdateWeight()//调整权重
    {
        if(child!=null)
        {
            for(int i=0;i<numself;i++)
            {
                for(int j=0;j<childnum;j++)
                {
                    float detweight=(learnRate*child.error[j]*value[i]);
                    linkweight[i][j]+=(detweight+lastturn_detweigth[i][j]*0.9f/*************/);
                    
                    lastturn_detweigth[i][j]=detweight;
                }
                //biasweight[i]=(learnRate*error[i]*biasvalue);
            }
        }
    }
    public void setPerent(netword p)
    {
        perent=p;
    }
    public void setChild(netword c)
    {
        child=c;
    }    
}

转载于:https://my.oschina.net/marner/blog/665089