用java写bp神经网络_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

{

for(int j=0;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

{

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

{

float ttp=0;

for(int j=0;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

{

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

{

float ttp=0;

for(int j=0;j

{

//

ttp+=(linkweight[i][j]*child.error[j])*value[i]*(1-value[i]);

}

error[i]=ttp;

}

}

}else//int

{

for(int i=0;i

{

error[i]=0;

}

}

}

public void UpdateWeight()//调整权重

{

if(child!=null)

{

for(int i=0;i

{

for(int j=0;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;

}

}