BP神经网络算法C++源程序：

#include "iostream.h" 
#include "iomanip.h" 
#define N 20 //学习样本个数 
#define IN 1 //输入层神经元数目 
#define HN 8 //隐层神经元数目 
#define ON 1 //输出层神经元数目 
double P[IN]; //单个样本输入数据 
double T[ON]; //单个样本教师数据 
double W[HN][IN]; //输入层至隐层权值 
double V[ON][HN]; //隐层至输出层权值 
double X[HN]; //隐层的输入 
double Y[ON]; //输出层的输入 
double H[HN]; //隐层的输出 
double O[ON]; //输出层的输出 
double sita[HN]; //隐层的阈值 
double gama[ON]; //输出层的阈值 
double err_m[N]; //第m个样本的总误差 
double alpha; //输出层至隐层的学习效率 
double beta; //隐层至输入层学习效率 
//定义一个放学习样本的结构 
struct { 
    double input[IN]; 
    double teach[ON]; 
}Study_Data[N][IN]; 
 
/////////////////////////// 
//初始化权、阈值子程序///// 
/////////////////////////// 
initial() 
{ 
    float sgn; 
    float rnd; 
    int i,j; 
    //隐层权、阈值初始化// 
    { 
        //sgn=pow((-1),random(100)); 
        sgn=rand(); 
        rnd=sgn*(rand()%100); 
        W[j][i]= rnd/100;//隐层权值初始化。 
    } 
    //randomize(); 
    { 
        //sgn=pow((-1),random(1000)); 
        sgn=rand(); 
        rnd=sgn*(rand()%1000); 
        sita[j]= rnd/1000;//中间层阈值初始化 
        cout<<"sita"<<sita[j]<<endl; 
    } 
    //输出层权、阈值初始化// 
    //randomize(); 
    for (int k=0;k<ON;k++) 
        for (int j=0;j<HN;j++)  
        { 
            //sgn=pow((-1),random(1000)); 
            sgn=rand(); 
            rnd=sgn*(rand()%1000); 
            V[k][j]=rnd/1000;//第m个样本输出层权值初始化 
        } 
        //randomize(); 
        { 
            //sgn=pow((-1),random(10)); 
            sgn=rand(); 
            rnd=sgn*(rand()%10); 
            gama[k]=rnd/10;//输出层阈值初始化 
            cout<<"gama[k]"<<endl; 
        } 
        return 1; 
         
}//子程序initial()结束 
 
 
//////////////////////////////// 
////第m个学习样本输入子程序/// 
/////////////////////////////// 
input_P(int m) 
{ 
    for (int i=0;i<IN;i++) 
        P[i]=Study_Data[m]->input[i]; 
    //获得第m个样本的数据 
    //cout<<"第"< //fprintf(fp,"第%d个样本的学习输入： 
    //P[%d]=%f\n",m,P[i]); 
    return 1; 
}//子程序input_P(m）结束 
 
///////////////////////////// 
////第m个样本教师信号子程序// 
///////////////////////////// 
input_T(int m) 
{ 
    for (int k=0;k<m;k++) 
        T[k]=Study_Data[m]->teach[k]; 
    //cout<<"第"< //fprintf(fp,"第%d个样本的教师信号：T[%d]=%f\n",m,T[k]); 
    return 1; 
}//子程序input_T(m)结束 
 
///////////////////////////////// 
//隐层各单元输入、输出值子程序/// 
///////////////////////////////// 
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];//求隐层内积 
} 
X[j]=sigma - sita[i];//求隐层净输入 
H[j]=1.0/(1.0+exp(-X[j]));//求隐层输出 
} 
return 1; 
}//子程序H_I_O()结束 
 
/////////////////////////////////// 
//输出层各单元输入、输出值子程序/// 
/////////////////////////////////// 
O_I_O() 
{ 
    double sigma; 
    for (int k=0;k<ON;k++) 
        sigma=0.0; 
    for (int j=0;j<HN;j++) 
        sigma+=V[k][j]*H[k];//求输出层内积 
} 
Y[k]=sigma-gama[k]; //求输出层净输入 
O[k]=1.0/(1.0+exp(-Y[k]));//求输出层输出 
} 
return 1; 
}//子程序O_I_O()结束 
 
//////////////////////////////////// 
//输出层至隐层的一般化误差子程序//// 
//////////////////////////////////// 
double d_err[ON]; 
Err_O_H(int m) 
{ 
    double abs_err[ON];//每个样本的绝对误差都是从0开始的 
    double sqr_err=0;//每个样本的平方误差计算都是从0开始的 
    //for (int output=0;output<ON;output++)  //output??? 
    for (int k=0;k<ON;k++) 
        abs_err[k]=T[k]-O[k]; 
    //求第m个样本下的第k个神经元的绝对误差 
    sqr_err+=(abs_err[k])*(abs_err[k]);//求第m个样本下输出层的平方误差 
     
    d_err[k]=abs_err[k]*O[k]*(1.0-O[k]);//d_err[k]输出层各神经元的一般化误差 
} 
err_m[m]=sqr_err/2;//第m个样本下输出层的平方误差/2=第m个样本的均方误差 
return 1; 
}//子程序Err_O_H(m)结束 
 
//////////////////////////////////// 
//隐层至输入层的一般化误差子程序//// 
//////////////////////////////////// 
double e_err[HN]; 
Err_H_I(){ 
    double sigma; 
    //for (int hidden=0;hidden 
    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]);//隐层各神经元的一般化误差 
} 
return 1; 
}//子程序Err_H_I()结束 
 
//////////////////////////////////////////////////////// 
//输出层至隐层的权值调整、输出层阈值调整计算子程序////// 
//////////////////////////////////////////////////////// 
Delta_O_H(int m,FILE* fp) 
{ 
    for (int k=0;k<ON;k++) 
        for (int j=0;j<HN;j++) 
            //cout<<"第"< fprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,W[k][j]); 
            V[k][j]+=alpha*d_err[k]*H[j];//输出层至隐层的权值调整 
} 
gama[k]+=alpha*d_err[k];//输出层至隐层的阈值调整 
} 
return 1; 
}//子程序Delta_O_H()结束 
 
///////////////////////////////////////////////////// 
//隐层至输入层的权值调整、隐层阈值调整计算子程序///// 
///////////////////////////////////////////////////// 
Delta_H_I(int m,FILE* fp) 
{ 
    for (int j=0;j<HN;j++) 
        for (int i=0;i<IN;i++)  
            //cout<<"第"< fprintf(fp,"第%d个样本时的输出层至隐层的权值为：%f\n",m,V[j][i]); 
            W[j][i]+=beta*e_err[j]*P[i];//隐层至输入层的权值调整 
} 
sita[j]+=beta*e_err[j]; 
} 
return 1; 
}//子程序Delta_H_I()结束 
 
///////////////////////////////// 
//N个样本的全局误差计算子程序//// 
///////////////////////////////// 
double Err_Sum() 
{ 
    double total_err=0; 
    for (int m=0;m<N;m++)  
        total_err+=err_m[m];//每个样本的均方误差加起来就成了全局误差 
} 
return 1; 
}//子程序Err_sum()结束 
 
/**********************/ 
/**程序入口，即主程序**/ 
/**********************/ 
main() 
{ 
    FILE *fp; 
    double sum_err; 
    int study;//训练次数 
     
    if ((fp=fopen("bp.txt","a+"))==NULL) 
    { 
        printf("不能创建bp.txt文件!\n"); 
        exit(1); 
    } 
    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; 
     
    int study=0; //学习次数 
    double Pre_error ; //预定误差 
    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(); //隐层、输出层权、阈值初始化 (1)  
    do 
    { 
        ++study; ///??? 
        for (int m=0;m<N;m++)  
        { 
            input_P(m); //输入第m个学习样本 (2) 
            input_T(m);//输入第m个样本的教师信号 (3) 
            H_I_O(); //第m个学习样本隐层各单元输入、输出值 (4) 
            O_I_O(); //第m个学习样本输出层各单元输入、输出值 (5) 
            Err_O_H(m); //第m个学习样本输出层至隐层一般化误差 (6)  
            Err_H_I(); //第m个学习样本隐层至输入层一般化误差 (7) 
            Delta_O_H(m,fp); //第m个学习样本输出层至隐层权阈值调整、修改 (8) 
            Delta_H_I(m,fp); //第m个学习样本隐层至输入层权阈值调整、修改 (9) 
        } //全部样本训练完毕 
         
        sum_err=Err_Sum(); //全部样本全局误差计算 (10) 
        { 
            cout<<"第"<<study<<"次学习的均方误差为"<<sum_err<<endl; 
            fprintf(fp,"第%d次学习的均方误差为：%f\n",study,sum_err); 
        } 
         
        while (sum_err > Pre_error)    //or(study 
        { //N个样本全局误差小于预定误差否？ 小于则退出 (11) 
            cout<<"网络已经学习了"<<study<<"次,学习的均方误差为"<<sum_err<<endl; 
            fprintf(fp,"网络已经学习了%d次，现在的全局误差为：%f\n",study,total_err); 
            fclose(fp); 
        } 
        char s; 
        cout<<"请随便输入一个字符，按回车退出程序！\n"; 
        cin>>s; 
        return 1; 
    } 
}