东南大学 backpropagation

《东南大学 backpropagation》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、人工神经网络实验报告-------------LG一、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。二、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。三、实验初始参数：a)训练集1)x[0]=1,x[1]=0,x[2]=1,d=02)x[0]=0,x[1]=0,x[2]=1,d=13)x[0]=

2、0,x[1]=1,x[2]=1,d=0b)初始权值W[0]=(2,-2,0)W[1]=(1,3,-1)W[2]=(3,-1,1)c)测试集x[0]=1,x[1]=1,x[2]=1,d=1四、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。一、实验代码：//BackPropagation.cpp:定义控制台应用程序的入口点。//#include"stdafx.h"#inc

3、lude"iostream"usingnamespacestd;#include"math.h"classTLUnode{public:TLUnode(){w=newdouble[numberofinput];}~TLUnode(){}voidsetw(double*neww){for(inti=0;i

4、++){sum+=w[i]*input[i];}}voidsigmoid(double*input){reachresult(input);f=1/(1+exp(-sum));}voidthreshold(double*input){reachresult(input);if(sum>0.5)f=1;elsef=0;}doublesum;staticconstintnumberofinput=3;//doubleresult;double*w;doublef;doubled_f;};int_tma

5、in(intargc,_TCHAR*argv[]){doublelearningdata[4][4]={1,0,1,0,0,0,1,1,0,1,1,0,1,1,1,1};constintnumberofinput=3;doublenoww[numberofinput];doublenowinput[numberofinput];doublec=1;TLUnodenode[3];noww[0]=2;noww[1]=-2;noww[2]=0;node[0].setw(noww);noww[0]=1;n

6、oww[1]=3;noww[2]=-1;node[1].setw(noww);noww[0]=3;noww[1]=-1;noww[2]=1;node[2].setw(noww);for(inti=0;i<3;i++){for(intj=0;j<2;j++){for(intk=0;k<3;k++){nowinput[k]=learningdata[i][k];}node[j].sigmoid(nowinput);}nowinput[0]=node[0].f;nowinput[1]=node[1].f

7、;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(intj=0;j<2;j++){node[j].d_f=node[2].d_f*node[j].f*(1-node[j].f);}for(intj=0;j<2;j++){node[j].w[0]=c*node[j].d_f*learningdata[i][0]+node[j].

8、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[1].f+node[2].w[1];node[2].w[2]=c*node