东南大学 BackPropagation【DOC精选】.docxVIP

人工神经网络实验报告-------------LG实验目的：人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。可以说它是人工智能中一个璀璨的明珠，该实验让我们对人工神经网络编程有了简单的了解。实验原理： 本实验的基本原理就是将训练样例作为输入，通过计算结果与实际结果间的误差来调节权向量(向实际结果方向靠近)，来最终实现表达式的计算。实验初始参数：训练集 1)x[0]=1,x[1]=0,x[2]=1,d=0 2) x[0]=0,x[1]=0,x[2]=1,d=1 3) x[0]=0,x[1]=1,x[2]=1,d=0初始权值W[0]=(2,-2,0)W[1]=(1,3,-1)W[2]=(3,-1,1)测试集x[0]=1,x[1]=1,x[2]=1,d=1实验结果分析： 通过实验我发现，我取的初始权值的大小对于实验结果的影响比较大，分析可能是因为实验数据太少的缘故。训练样例不具有代表性，结果导致得到的结果的置信区间比较大，可靠性差。实验代码：// BackPropagation.cpp : 定义控制台应用程序的入口点。//#includestdafx.h#includeiostreamusingnamespace std;#includemath.hclass TLUnode{public:TLUnode(){w=newdouble[numberofinput];}~TLUnode(){}void setw(double * neww){for(int i=0;inumberofinput;i++){w[i]=neww[i];}}void reachresult(double * input){sum=0;for(int i=0;inumberofinput;i++){sum+=w[i]*input[i];}}void sigmoid(double * input){reachresult(input);f=1/(1+exp(-sum));}void threshold(double * input){reachresult(input);if(sum0.5)f=1;elsef=0;}double sum;staticconstint numberofinput=3;//double result;double * w;double f;double d_f;};int _tmain(int argc, _TCHAR* argv[]){double learningdata[4][4]={1,0,1,0, 0,0,1,1, 0,1,1,0, 1,1,1,1};constint numberofinput=3;double noww[numberofinput];double nowinput[numberofinput];double c=1;TLUnode node[3];noww[0]=2;noww[1]=-2;noww[2]=0;node[0].setw(noww);noww[0]=1;noww[1]=3;noww[2]=-1;node[1].setw(noww);noww[0]=3;noww[1]=-1;noww[2]=1;node[2].setw(noww);for(int i=0;i3;i++){for(int j=0;j2;j++){for(int k=0;k3;k++){nowinput[k]=learningdata[i][k];}node[j].sigmoid(nowinput);}nowinput[0]=node[0].f;nowinput[1]=node[1].f;nowinput[2]=1;node[2].sigmoid(nowinput);node[2].d_f=(learningdata[i][3]-node[2].f)*node[2].f*(1-node[2].f);for(int j=0;j2;j++){node[j].d_f=node[2].d_f*node[j].f*(1-node[j].f);}for(int j=0;j2;j++){node[j].w[0]=c*node[j].d_f*learningdata[i][0]+node[j].w[0];node[j].w[1]=c*node[j].d_f*learningdata[i][1]+node[j].w[1];node[j].w[2]=c*node[j].d_f*learningdata[i][2]+node[j].w[2];}node[2].w[0]=c*node[2].d_f*node[0].f+node[2].w[0];node[2].w[1]=c*node[2].d_f*node