神经网络BP算法 源程序

最近论文在弄神经网络方面，用c++模拟了BP算法，只有一个学习因子，暂且命名为1.0版本吧，以后会更新版本，添加因子并且和牛顿法相结合

有技术硬伤还请牛人指点

#include<iostream>
#include<iomanip>
#include<math.h>
#include<stdlib.h>
using namespace std;
#define N 4
#define IN 2
#define HN 2
#define ON 1
double P[IN];
double T[ON];
double W[HN][IN];
double V[ON][HN];
double X[HN];
double Y[ON];
double H[HN];
double O[ON];
double sita[HN];
double gama[ON];
double err_m[N];
double d_err[ON];
double e_err[HN];
double alpha;
double beta;

struct 
{
	double input[IN];
	double teach[ON];
}Study_Data[N][IN];

void initial()  //初始化权值、阈值
{
	int i,j,k;
	for(j=0;j<HN;j++)
	{
		for(i=0;i<IN;i++)
		{
			W[j][i]=(double)((rand()%19999-9999)*0.00001);
		}
		sita[j]=(double)((rand()%19999-9999)*0.00001);
	}
	for(k=0;k<ON;k++)
	{
		for(j=0;j<HN;j++)
		{
			V[k][j]=(double)((rand()%19999-9999)*0.00001);
		}
		gama[k]=(double)((rand()%19999-9999)*0.00001);
	}
}

void input_P(int m)
{
	for(int i=0;i<IN;i++)
		P[i]=Study_Data[m]->input[i];

}

void input_T(int m)
{
	for(int k=0;k<m;k++)
		T[k]=Study_Data[m]->teach[k];
}

void H_I_O()
{
	double sigma;
	int i,j;
	for(j=0;j<HN;j++)
	{
		sigma=0.0;
		for(i=0;i<IN;i++)
			sigma+=W[j][i]*P[i];
		X[j]=sigma-sita[j];
		H[j]=1.0/(1.0+exp(-X[j]));
	}
}

void O_I_O()
{
	double sigma;
	int j,k;
	for(k=0;k<ON;k++)
	{
		sigma=0.0;
		for(j=0;j<HN;j++)
			sigma+=V[k][j]*H[k];
		Y[k]=sigma-gama[k];
		O[k]=1.0/(1.0+exp(-Y[k]));
	}
}

void Err_O_H(int m)
{
	double abs_err[ON];
	double sqr_err=0.0;
	for(int k=0;k<ON;k++)
	{
		abs_err[k]=T[k]-O[k];
		sqr_err+=abs_err[k]*abs_err[k];
		d_err[k]=abs_err[k]*O[k]*(1.0-O[k]);
	}
	err_m[m]=sqr_err/2;
}

void Err_H_I()
{
	double sigma;
	for(int j=0;j<HN;j++)
	{
		sigma=0.0;
		for(int k=0;k<ON;k++)
			sigma+=d_err[k]*V[k][j];
		e_err[j]=sigma*H[j]*(1-H[j]);
	}
}

void Delta_O_H(int m)
{
	for(int k=0;k<ON;k++)
	{
		for(int j=0;j<HN;j++)
			V[k][j]+=alpha*d_err[k]*H[j];
		gama[k]+=alpha*d_err[k];
	}
}

void Delta_H_I(int m)
{
	for(int j=0;j<HN;j++)
	{
		for(int i=0;i<IN;i++)
			W[j][i]+=beta*e_err[j]*P[i];
		sita[j]+=beta*e_err[j];
	}
}

double Err_Sum()
{
	double total_err=0.0;
	for(int m=0;m<N;m++)
		total_err+=err_m[m];
	return total_err;
}

int main()
{
	double sum_err;
	int study=0;
	cout<<"请输入输出层到隐含层学习效率：alpha=\n";
	cin>>alpha;
	cout<<"请输入隐含层到输入层学习效率：beta=\n";
	cin>>beta;

	double Pre_error;
	cout<<"请输入预定误差:Pre_error=\n";
	cin>>Pre_error;

	int Pre_times;
	cout<<"请输入预定最大学习次数：Pre_times=\n";
	cin>>Pre_times;

	cout<<"请输入学习样本数据\n";
	for(int m=0;m<N;m++)
	{
		cout<<"请输入第"<<m+1<<"组学习样本"<<endl;  
		for(int i=0;i<IN;i++) 
		    cin>>Study_Data[m]->input[i];
	}
    for (int m=0;m<N;m++) 
    {
    	cout<<"请输入第"<<m+1<<"组教师样本"<<endl;  
	    for (int k=0;k<ON;k++) 
	        cin>>Study_Data[m]->teach[k]; 
    }

    initial();
    bool flag=true;
    do
    {
    	++study;
    	for(int m=0;m<N;m++)
    	{
    		input_P(m);
    		input_T(m);
    		H_I_O();
    		O_I_O();
    		Err_O_H(m);
    		Err_H_I();
    		Delta_O_H(m);
    		Delta_H_I(m);

			for(int k=0;k<ON;k++)
			{
				if(k==0&&O[k]<=0.1)
					flag=false;
				cout<<setiosflags(ios::fixed)<<setprecision(4)<<O[k]<<endl;
			}
    	}
    	sum_err=Err_Sum();

    	cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; 
    }while(flag);

    cout<<"共学习了"<<study<<"次"<<endl;

    system("pause");
	return 0;
}