BP神经网络VB程序汇总Word文件下载.docx
《BP神经网络VB程序汇总Word文件下载.docx》由会员分享，可在线阅读，更多相关《BP神经网络VB程序汇总Word文件下载.docx（53页珍藏版）》请在冰豆网上搜索。
w（i）=2*Rnd-1
Forj=1To3
Fori=1To100
x（j,i）=4*（2*Rnd-1）
Nexti
sumx（j）=0
Nextj
'
求最值
Ifx（j,i）>
=Maxx（j）Then
Maxx（j）=x（j,i）
EndIf
Ifx（j,i）<
=Minx（j）Then
Minx（j）=x（j,i）
Temp=Temp+x（j,i）
sumx（j）=Temp
Temp=0
Meanx（j）=sumx（j）/100
归一化
IfMaxx（j）-x（j,i）>
=x（j,i）-Minx（j）Then
R=Maxx（j）-x（j,i）
Else
R=x（j,i）-Minx（j）
Datex（j,i）=（x（j,i）-Meanx（j））/R
期望输出
Fori=1To100
inputx（j）=Datex（j,i）
outputx（i）=2*（inputx
（1）+Sin（inputx
（2））+Exp（inputx（3）））
输出归一化
IfMaxd<
=outputx（i）Then
Maxd=outputx（i）
IfMind>
Mind=outputx（i）
Ex（i）=（outputx（i）-Mind）/（Maxd-Mind）
训练
Fors=1To5000Step1
time（s）=s
Forp=1To100
cishu（p）=p
Fori=1To3
MyIn（i）=Datex（i,p）
Fori=1To5
Temp=Temp+v（i,j）*MyIn（j）
s1（i）=Temp
y1（i,p）=1/（1+Exp（-s1（i）））
Temp=y1（i,p）*w（i）+Temp
s2=Temp
y2（p）=1/（1+Exp（-s2））
deltW（p）=（Ex（p）-y2（p））*y2（p）*（1-y2（p））
deltV（i,p）=deltW（p）*w（i）*y1（i,p）*（1-y1（i,p））
Nextp
误差
Temp=Temp+（Ex（i）-y2（i））^2
Errorx（s）=Temp
调整权值
Dw_1（i）=Dw（i）
Forj=1To100
Temp=Temp+deltW（j）*y1（i,j）
Dw（i）=Temp
Dv_1（i,j）=Dv（i,j）
Fork=1To100
Temp=Temp+deltV（i,k）*Datex（j,k）
Nextk
Dv（i,j）=Temp
w（i）=0.2*Dw（i）+0.2*Dw_1（i）+w（i）
Forj=1To5
v（j,i）=0.2*Dv（j,i）+0.2*Dv_1（j,i）+v（j,i）
画图
Picture1.Cls
Picture1.ScaleTop=1.5
Picture1.ScaleHeight=-2
Picture1.ScaleLeft=-10
Picture1.ScaleWidth=120
Picture1.Line（-9,0）-（110,0）
Picture1.Line（0,0）-（0,1.5）
Picture1.PSet（cishu（i）,Ex（i））,RGB（128,128,0）
Picture1.PSet（cishu（i）,y2（i））,RGB（128,0,0）
Fori=1To99
Picture1.Line（cishu（i）,Ex（i））-（cishu（i+1）,Ex（i+1））,RGB（128,128,0）
Picture1.Line（cishu（i）,y2（i））-（cishu（i+1）,y2（i+1））,RGB（128,0,0）
延时
Forj=1To1000
Fork=1To50
Picture2.Cls
Picture2.Prints
DoEvents
Nexts
"
form2.Command3.Enabled=True
form2.Command4.Enabled=True
泛化
Dimtest（1To3,1To20）AsSingle,sumE（1To3）AsSingle
DimMaxE（1To3）AsSingle,MinE（1To3）AsSingle,MeanE（1To3）AsSingle
DimMaxxEAsSingle,MinxEAsSingle
Dimdes（1To3）AsSingle,outE（1To20）AsSingle
DimMIn（1To3）AsSingle,s11（1To5）AsSingle,y11（1To5,1To20）AsSingle,s22AsSingle
DimDateE（1To3,1To20）AsSingle
Fori=1To20
test（j,i）=4*（2*Rnd-1）
Fori=1To20
Iftest（j,i）>
=MaxE（j）Then
MaxE（j）=test（j,i）
Iftest（j,i）<
=MinE（j）Then
MinE（j）=test（j,i）
Temp=Temp+test（j,i）
sumE（j）=Temp
MeanE（j）=sumE（j）/100
IfMaxE（j）-test（j,i）>
=test（j,i）-MinE（j）Then
R=MaxE（j）-test（j,i）
R=test（j,i）-MinE（j）
DateE（j,i）=（test（j,i）-MeanE（j））/R
求输出
Forp=1To20
Ti（p）=p
MIn（i）=DateE（i,p）
Temp=Temp+v（i,j）*MIn（j）
s11（i）=Temp
y11（i,p）=1/（1+Exp（-s11（i）））
Temp=y11（i,p）*w（i）+Temp
s22=Temp
y22（p）=1/（1+Exp（-s22））
输出及归一化
Forj=1To20
des（i）=DateE（i,j）
outE（j）=2*（des
（1）+Sin（des
（2））+Exp（des（3）））
IfMaxxE<
=outE（i）Then
MaxxE=outE（i）
IfMinxE>
MinxE=outE（i）
outD（i）=（outE（i）-MinxE）/（MaxxE-MinxE）
EndSub
PrivatemW1（）AsDouble'
隐含层的权值S1XR
PrivatemW2（）AsDouble'
输出层的权值S2XR
PrivatemB1（）AsDouble'
隐含层的偏置值S1X1
PrivatemB2（）AsDouble'
输出层的偏置值S2X1
PrivatemErr（）AsDouble'
均方误差
PrivatemMinMax（）AsDouble'
输入向量的上下限RX2
PrivatemS1AsLong'
隐含层的神经元个数S1
PrivatemS2AsLong'
输出层的神经元个数S2
PrivatemRAsLong'
输入层神经元个数R
PrivatemGoalAsDouble'
收敛的精度
PrivatemLrAsDouble'
学习速度
PrivatemGamaAsDouble'
动量系数
PrivatemMaxEpochsAsLong'
最大的迭代次数
PrivatemIterationAsLong'
实际的迭代次数
****************************************中间变量*******************************************
PrivateHiddenOutput（）AsDouble'
隐含层的输出
PrivateOutOutput（）AsDouble'
输出层的输出
PrivateHiddenErr（）AsDouble'
隐含层各神经元的误差
PrivateOutPutErr（）AsDouble'
输出层各神经元的误差
PrivatePdealing（）AsDouble'
当前正在处理的输入
PrivateTdealing（）AsDouble'
当前正在处理的输入对应的输出
PrivateOldW1（）AsDouble'
旧权值数组
PrivateOldW2（）AsDouble'
PrivateOldB1（）AsDouble'
旧偏置值数组
PrivateOldB2（）AsDouble'
PrivateTsAsLong'
输入向量的总个数
PrivateInitializedAsBoolean'
是否已初始化
****************************************属性*******************************************
PublicEventUpdate（iteration）
PublicPropertyGetW1（）AsDouble（）
W1=mW1
EndProperty
PublicPropertyGetW2（）AsDouble（）
W2=mW2
PublicPropertyGetB1（）AsDouble（）
B1=mB1
PublicPropertyGetB2（）AsDouble（）
B2=mB2
PublicPropertyGetErr（）AsDouble（）
Err=mErr
PublicPropertyGetS1（）AsLong
S1=mS1
PublicPropertyLetS1（ValueAsLong）
mS1=Value
PublicPropertyGetS2（）AsLong
S2=mS2
PublicPropertyGetR（）AsLong
R=mR
PublicPropertyGetGoal（）AsDouble
Goal=mGoal
PublicSubMinMax（Value（）AsDouble）
mMinMax=Value
PublicPropertyLetGoal（ValueAsDouble）
mGoal=Value
PublicPropertyGetLr（）AsDouble
Lr=mLr
PublicPropertyLetLr（ValueAsDouble）
mLr=Value
PublicPropertyGetGama（）AsDouble
Gama=mGama
PublicPropertyLetGama（ValueAsDouble）
mGama=Value
PublicPropertyGetMaxEpochs（）AsLong
MaxEpochs=mMaxEpochs
PublicPropertyLetMaxEpochs（ValueAsLong）
mMaxEpochs=Value
PublicPropertyGetiteration（）AsLong
iteration=mIteration
****************************************初始化*******************************************
PrivateSubClass_Initialize（）
mS1=5
mGoal=0.0001
mLr=0.1
mGama=0.8
mMaxEpochs=1000
***********************************训练***********************************
过程名：
Train
参数：
P-输入矩阵
T－输出矩阵
作者：
laviewpbt
时间：
2006-11-15
PublicSubTrain（P（）AsDouble,T（）AsDouble）
DimiAsLong,jAsLong,IndexAsLong
DimNmP（）AsDouble
mR=UBound（P,1）'
输入向量的元素个数
mS2=UBound（T,1）'
输出层神经元的个数
Ts=UBound（P,2）'
输入向量的个数
NmP=CopyArray（P）'
保留原始的P,因为正规化的过程中会破坏原始数据
IniParametersNmP'
初始化参数和数组
mIteration=0
Fori=1TomMaxEpochs
mIteration=mIteration+1
Index=Int（Rnd*Ts+1）'
随机选取一个输入向量作为训练样本，这样效果比按顺序循环要好
Forj=1TomR
Pdealing（j）=NmP（j,Index）'
正在处理的输入向量
Next
Forj=1TomS2
Tdealing（j）=T（j,Index）'
正在处理的输出向量
HiddenLayer'
计算隐含层各神经元的输出
OutputLayer'
计算输出层各神经元的输出
OutError'
计算输出层各神经元的误差
HiddenError'
计算隐含层各神经元的误差
Update_W2B2'
更新隐含层至输出层之间的连接权及输出层节点的偏置值
Update_W1B1'
更新输入层至隐含层之间的连接权及隐含层节点的偏置值
IfiterationMod1000=0ThenRaiseEventUpdate（mIteration）
IfmErr（mIteration）<
mGoalThenExitSub'
达到要求，完成学习，退出
***********************************初始化数据***********************************
PrivateSubIniParameters（P（）AsDouble）
DimiAsLong,jAsLong
ReDimmW1（mS1,mR）AsDouble,mW2（mS2,mS1）AsDouble
ReDimmB1（mS1）AsDouble,mB2（mS2）AsDouble
ReDimOldW1（mS1,mR）AsDouble,OldW2（mS2,mS1）AsDouble
ReDimOldB1（mS1）AsDouble,OldB2（mS2）AsDouble
ReDimHiddenOutput（mS1）AsDouble,OutOutput（mS2）AsDouble
ReDimHiddenErr（mS1）AsDouble,OutPutErr（mS2）AsDouble
ReDimPdealing（mR）AsDouble,Tdealing（mS2）AsDouble
ReDimmErr（mMaxEpochs）A
升级会员 