Форум программистов, компьютерный форум CyberForum.ru

Ошибки нейронной сети по эпохам обучения - C++

Восстановить пароль Регистрация
 
Джем
1 / 1 / 0
Регистрация: 04.03.2013
Сообщений: 40
22.04.2016, 14:38     Ошибки нейронной сети по эпохам обучения #1
Здравствуйте, товарищи программисты! Столкнулась с такой проблемой - нужно сделать поиск минимальных векторов, он в коде есть, но - слишком большой набор, надо максимум 5 наборов. И по лабораторной работе надо, чтобы эпох обучения было побольше, около 80-90 эпох. Тут - мало очень.
Кто нибудь в этом шарит?
К слову, вариант у меня 4.
Просьба помочь подправить код. Заранее спасибо!

C++
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
#include "stdafx.h"
#include <iostream> 
#include<iomanip>
#include <stdlib.h> 
#include <math.h> 
#include <conio.h>
#include <locale.h>
using namespace std;  
class Neural 
{
private:  double* BooleanFunction; //заданная булева функция
          double* Out; //вектор нейрона
          double* Weight; //вектор весов
          double norm;//норма обучения 
          int J;//количество RBF векторов 
          double **Centers;// массив центров RBF векторов 
public:  
    Neural(double*a,double* b,  double d)  
{   
    BooleanFunction=new double[16];   
    BooleanFunction=a;   
    Out=new double[16];   
    Out=b;   
    norm=d;  
}; 
    ~Neural()  
         {  };   
    //функция, вычисляющая количество RBF векторов и координаты центров   
    void RBFNeuralAmountAndCenters(Neural *N)    
    { 
        double X[16][4] = 
          { 
                      { 0, 0, 0, 0 }, 
                      { 0, 0, 0, 1 }, 
                      { 0, 0, 1, 0 }, 
                      { 0, 0, 1, 1 }, 
                      { 0, 1, 0, 0 }, 
                      { 0, 1, 0, 1 }, 
                      { 0, 1, 1, 0 }, 
                      { 0, 1, 1, 1 }, 
                      { 1, 0, 0, 0 },
                      { 1, 0, 0, 1 },
                      { 1, 0, 1, 0 },
                      { 1, 0, 1, 1 },
                      { 1, 1, 0, 0 },
                      { 1, 1, 0, 1 },
                      { 1, 1, 1, 0 },
                      { 1, 1, 1, 1 } 
          };    
          int J0 = 0; //количество векторов, соответствующих значению БФ "0"    
          int J1=0; //количество векторов, соответствующих значению БФ "1"    
          int J; // min J0 и J1    
          for (int i=0;i<16;i++)     
              if(this->BooleanFunction[i]==1)      
                  J1+=1;     
              else J0+=1;     
              if (J1<=J0) J=J1;else J=J0;     
              this->Centers=new double*[J];     
              for (int j=0;j<J;j++)      
                  this->Centers[j]=new double[4];     
              if(J1<=J0)     
              {      
                  int j=0;      
                  for(int i=0;i<16;i++)       
                      if (this->BooleanFunction[i]==1)        
                      {for (int k=0;k<4;k++)       
                      this->Centers[j][k]=X[i][k];
                  j++;
                      };
              }     
              else     
              {      
                  int j=0;
                  for(int i=0;i<16;i++)       
                      if (this->BooleanFunction[i]==0)        
                      {
                      for (int k=0;k<4;k++)       
                          this->Centers[j][k]=X[i][k];
                      j++;
                      };
              }  
          this->J = J;
    };   
    void JAndCentersPrint(Neural * N)   // печать количества RBF векторов и центров   
    {    
        cout<<"J="<<this->J<<endl;    
        for(int j=0;j<this->J;j++)    
        {
            for(int k=0;k<4;k++)    
                cout<<this->Centers[j][k];
            cout<<endl;
        }   
    }   
    void OutPrint(Neural* N)    //функция печати ветора реального выхода НС   
    {    
        cout<<"Вектор Out:"<<'\t';    
        for (int i=0;i<16;i++) 
            cout<<N->Out[i];    
        cout<<endl;   
    };   
    void BooleanFunctionPrint(Neural* N)//функция печати БФ   
    {    
        cout<<"Булева функция:"<<'\t';    
        for (int i=0;i<16;i++) 
            cout<< this->BooleanFunction[i];    
        cout<<endl;   
    };   
    void WeightVectorPrint(Neural* N)//функция печати вектора весов, размер вектор J+1   
    {    
        cout<<"Вектор весов:"<<'\t';    
        for (int j=0;j<=this->J;j++) 
            cout<<setprecision(3)<<this->Weight[j]<<" ";    
        cout<<endl;   
    }   
    int IfError(Neural* N)      //функция, возвращающая суммарную ошибку, расстояние Хемминга между векторами BF и Out 
    {    
        int error = 0;     
        for (int i = 0; i<16; i++)    
        { 
            if (this->Out[i] != this->BooleanFunction[i]) 
                error += 1; 
        }    
        return error;   
    }   
    void OutVectorUpdate(Neural* N)     // функция, обнуляющая вектор Out   
    {    
        for (int i=0;i<16;i++)
        {
            this->Out[i]=0;
        };   
    };   
    void WeightvectorUpdate(Neural *N)      //функция, обнуляющая вектор весов   
    {
        this->Weight=new double[this->J+1];    
        for (int j=0;j<=this->J;j++)     
            this->Weight[j]=0;
    }   
    void OutVectorComputation(Neural *N)    //функция расчета вектора Out с использованием гауссовой ФА   
    {
        double X[16][4]=
        {
            {0,0,0,0},
            {0,0,0,1},
            {0,0,1,0},
            {0,0,1,1},
            {0,1,0,0}, 
            {0,1,0,1},
            {0,1,1,0},
            {0,1,1,1},
            {1,0,0,0},
            {1,0,0,1},
            {1,0,1,0},
            {1,0,1,1},
            {1,1,0,0}, 
            {1,1,0,1},
            {1,1,1,0},
            {1,1,1,1}
        };
        int i = 0; 
        double* fi = new double[4];
        for (int k = 0; k<16; k++)
        {
            double net = this->Weight[0]; 
            for (int j = 0;j<this->J;j++)
            { 
                fi[j] = exp(-1 * (pow((X[k][0] - this->Centers[j][0]), 2) + pow((X[k][1] - this->Centers[j][1]), 2) + pow((X[k][2] - this->Centers[j][2]), 2) + pow((X[k][3] - this->Centers[j][3]), 2))); 
                net += this->Weight[j + 1] * fi[j];
            }    
            if (net >= 0)
                this->Out[i] = 1;
            else 
                this->Out[i] = 0;
            i++; 
        }   
    };
    void Learning(Neural* N, int m)
    {
        double X[16][4] =
        {
            {0,0,0,0},
            {0,0,0,1},
            {0,0,1,0},
            {0,0,1,1},
            {0,1,0,0},
            {0,1,0,1},
            {0,1,1,0},
            {0,1,1,1},
            {1,0,0,0},
            {1,0,0,1},
            {1,0,1,0},
            {1,0,1,1},
            {1,1,0,0},
            {1,1,0,1},
            {1,1,1,0},
            {1,1,1,1}
        };
        int level = 0;
        while ((IfError(N) != 0))
        {
            int i = 0;
            for (int k = 0; k < m; k++)
            {
                double dw = ((N->BooleanFunction[i]) - (N->Out[i]))*(N->norm);  //fi0=1;    
                this->Weight[0] = this->Weight[0] + dw;
                for (int j = 1; j <= this->J; j++) //коррекция веса, правило Видроу Хоффа
                {
                    double fi = exp(-1 * (pow((X[k][0] - this->Centers[j - 1][0]), 2) + pow((X[k][1] - this->Centers[j - 1][1]), 2) + pow((X[k][2] - this->Centers[j - 1][2]), 2) + pow((X[k][3] - this->Centers[j - 1][3]), 2)));
                double dw = ((N->BooleanFunction[i]) - (N->Out[i]))*(N->norm)*fi;
                this->Weight[j] = this->Weight[j] + dw;
                }
                    this->OutVectorComputation(N);
                i++;
            }
            cout << "_____________________________________________________________" << endl;
            this->WeightVectorPrint(N);
            this->OutPrint(N);
            cout << "Текущий период обучения: " << level << endl;
            cout << "Результирующая ошибка: " << IfError(N) << endl;
            level += 1;
        };
    }
    int minvectorset(Neural* N)     // минимальный набор обучающих векторов   
    {
        double X[16][4] =
        {
            {0,0,0,0},
            {0,0,0,1},
            {0,0,1,0},
            {0,0,1,1},
            {0,1,0,0},
            {0,1,0,1},
            {0,1,1,0},
            {0,1,1,1},
            {1,0,0,0},
            {1,0,0,1},
            {1,0,1,0},
            {1,0,1,1},
            {1,1,0,0},
            {1,1,0,1},
            {1,1,1,0},
            {1,1,1,1}
        };
        int m = 16;
        while (bool flag = true)
        {
            int level = 0;
            while ((IfError(N) != 0))
            {
                int i = 0;
                for (int k = 0; k < m; k++)
                {
                    double dw = ((N->BooleanFunction[i]) - (N->Out[i]))*(N->norm);//fi0=1     
                    this->Weight[0] = this->Weight[0] + dw;
                    for (int j = 1; j <= this->J; j++)
                    {
                        double fi = exp(-1 * (pow((X[k][0] - this->Centers[j - 1][0]), 2) + pow((X[k][1] - this->Centers[j - 1][1]), 2) + pow((X[k][2] - this->Centers[j - 1][2]), 2) + pow((X[k][3] - this->Centers[j - 1][3]), 2)));
                        double dw = ((N->BooleanFunction[i]) - (N->Out[i]))*(N->norm)*fi;
                        this->Weight[j] = this->Weight[j] + dw;
                    };      this->OutVectorComputation(N);
                    i++;
                }
                level += 1;
                if (level > 100) //положим, что если обучение идет более 100 эпох, значит вектор необучаем     
                {
                    flag = false;
                    return m+1;// возвращаем количество обучаемых векторов     
                }
            }
            //после успешного обучения на данном  наборе, обнуляем вектор весов и вектор нейрона    
            this->OutVectorUpdate(N);
            this->WeightvectorUpdate(N);
            m = m - 1;
        }
    };
}; 
 
int main() 
{
    setlocale(LC_ALL, "rus");
    double a[] = {0,0,1,1,0,0,1,1,0,0,0,1,0,0,1,1};//булева функция  
    double b[]={0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0};  
    double d=0.3;  
    Neural N =Neural(a,b,d);  
    N.BooleanFunctionPrint(&N); 
    N.RBFNeuralAmountAndCenters(&N);  
    N.JAndCentersPrint(&N);  
    N.WeightvectorUpdate(&N); 
    N.WeightVectorPrint(&N); 
    N.OutVectorComputation(&N); 
    N.OutPrint(&N); 
    N.Learning(&N,16);// обучение на 16 векторах 
    cout<<endl;  
    cout<<"Минимальный набор векторов: "; 
    N.OutVectorUpdate(&N); 
    N.WeightvectorUpdate(&N);  
    N.OutVectorComputation(&N);  
    int minset=N.minvectorset(&N);  
    cout<<minset<<" векторов"<<endl;  
    N.OutVectorUpdate(&N); 
    N.WeightvectorUpdate(&N); 
    N.OutVectorComputation(&N);  
    N.Learning(&N,minset);  
    _getch();
    return 0; 
}
Вложения
Тип файла: pdf ИТИБ_Ђ†°2.pdf (243.6 Кб, 0 просмотров)
Similar
Эксперт
41792 / 34177 / 6122
Регистрация: 12.04.2006
Сообщений: 57,940
22.04.2016, 14:38     Ошибки нейронной сети по эпохам обучения
Посмотрите здесь:

C++ система компьютерного обучения
C++ Как преобразовать картинку чтобы получить адекватный вектор входных данных для нейронной сети?
обучение нейронной сети C++
Алгоритм обратного распространения ошибки. Нейронные сети C++
C++ Программа обучения C++
Начало обучения C++
Срок обучения C++ C++
Нейронные сети визуализация процессов обучения C++

Искать еще темы с ответами

Или воспользуйтесь поиском по форуму:
После регистрации реклама в сообщениях будет скрыта и будут доступны все возможности форума.
Ответ Создать тему
Опции темы

Текущее время: 17:14. Часовой пояс GMT +3.
КиберФорум - форум программистов, компьютерный форум, программирование
Powered by vBulletin® Version 3.8.9
Copyright ©2000 - 2016, vBulletin Solutions, Inc.
Рейтинг@Mail.ru