Форум программистов, компьютерный форум, киберфорум
Наши страницы

Как создать нейронные сети? - C++

Войти
Регистрация
Восстановить пароль
Другие темы раздела
C++ Можно ли дублировать header? http://www.cyberforum.ru/cpp-beginners/thread282436.html
Программа реализована в нескольких файлах. Можно ли использовать один и тот же <*.h>-файл в каждом из файлов программы? Если нет, то как можно решить эту проблему? Заранее благодарю.
C++ Строки в С++ Подскажите как вывести все слова из строки, содержащие определенную букву? http://www.cyberforum.ru/cpp-beginners/thread282422.html
C++ Одномерный массив
Дан массив из 20 элементов. Сформировать два массива размером 10, включив в первый из них элементы заданного массива с чётными индексами, а во второй с нечётными. Большая просьба если можно...
C++ Быстродействия программ на С++.
Можете посоветовать какие-то книжки по быстродействию. А то я пишу программы и даже не знаю, на какие действия и на сколько действуют на ее быстродействие. У меня есть сервер игрушки на С++. И когда...
C++ Программа для подсчета элементов массива http://www.cyberforum.ru/cpp-beginners/thread282414.html
Здравствуйте. Очень нужна помощь, надо написать программу для подсчета элементов массива на языке C#. Помогите плиз.
C++ Проверте матрицу Помогите подправить программу,чтобы выводило матрицу,согласно задаче. Задача:Задана матрица D(4,4).Определить максимальный среди положительных, минимальный среди отрицательных и поменять их... подробнее

Показать сообщение отдельно
Aizada
0 / 0 / 0
Регистрация: 24.04.2011
Сообщений: 8
24.04.2011, 14:49  [ТС]
В инете нашла вот такой листинг. Повторюсь я никогда раньше не работала с нейронными сетями. Что мне делать? В какой программе реализовать?


Листинг 1

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
// FILE neuro_mm.h
#include "neuro.h" // описание базовых классов
 
class LayerUL;
class NetUL;
 
class NeuronUL: public NeuronFF
{                                friend LayerUL;
                                 friend NetUL;
 float delta;
 unsigned inhibitory;
public:
 NeuronUL(unsigned num_inputs);
 NeuronUL(void){delta=0.;};
 ~NeuronUL();
// int  IsConverged(void); // можно реализовать
 virtual void Propagate(void);
 void Equalize(void);
 void Normalize(void);
 float CountDistance(void);
 void  SetInhibitory(unsigned in){inhibitory=in;};
 unsigned GetInhibitory(void){return inhibitory;};
};
 
class LayerUL: public LayerFF
{                               friend NetUL;
 NeuronUL _FAR *neurons;
 unsigned neuronrang;
 int  allocation;
 int imax, imaxprevious1;
public:
 LayerUL(unsigned nRang, unsigned nSinapses);
 LayerUL(NeuronUL _FAR *Neu, unsigned nRang,
     unsigned nSinapses);
 LayerUL(void)
 {
  neurons=NULL; neuronrang=0; allocation=EXTERN;
  imax=imaxprevious1=-1;
 };
 ~LayerUL();
 void Propagate(void);
 void Randomize(float);
 void Normalize(void);
 void NormalizeSynapses(void);
 void Equalize(void);
 virtual void Show(void);
 virtual void DigiShow(void);
 virtual void PrintSynapses(int,int);
 virtual void PrintAxons(int x, int y, int direction);
 void TranslateAxons(void);
 NeuronUL *GetNeuron(unsigned n)
 {
  if(neurons && (n<rang)) return &neurons[n];
  else return NULL;
 };
};
 
class NetUL: public SomeNet
{
 LayerUL _FAR * _FAR *layers;
 // 1-й слой - входной, без синапсов
public:
 NetUL(void) {layers=NULL;};
 NetUL(unsigned nLayers);
 NetUL(unsigned n, unsigned n1, ...);
 ~NetUL();
 int SetLayer(unsigned n, LayerUL _FAR *pl);
 LayerUL *GetLayer(unsigned n)
  {if(n<rang) return layers[n]; else return NULL; }
 int FullConnect(void);
 void Propagate(void);
 void SetNetInputs(float _FAR *mvalue);
 void Learn(void);
 void Randomize(float);
 void Normalize(void);
 void NormalizeSynapses(void);
 void Equalize(void);
 int  SaveToFile(unsigned char *file);
 int  LoadFromFile(unsigned char *file);
 int  LoadNextPattern(float _FAR *IN);
 void SetLearnCycle(unsigned l){learncycle=l;};
 void virtual PrintSynapses(int x=0,...){};
 float virtual Change(float In);
 void AddNoise(void);
 void NormalizeNetInputs(float _FAR *mv);
 void ConvexCombination(float *In, float step);
 int  Reverse(NetUL **Net);
};
 
int SetSigmoidTypeUL(int st);
float SetSigmoidAlfaUL(float Al);
float SetLearnRateUL(float lr);
unsigned SetDSigmaUL(unsigned d);
void SetAccreditationUL(int ac);
float SetMaxDistanceUL(float md);
void SetInhibitionUL(int in);
float SetInhibitionFreshold(float f);
Листинг 2

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
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
// FILE neuro_mm.cpp FOR neuro_mm.prj
#include <stdlib.h>
#include <alloc.h>
#include <math.h>
#include <string.h>
#include <stdarg.h>
#include <values.h>
 
#include "neuro_mm.h"
#include "colour.h"
#define MAXDISTANCE MAXFLOAT
 
static int      SigmoidType=ORIGINAL;
static int      Accreditation=0;
static float    SigmoidAlfa=1.;
static float    LearnRate=0.25;
static unsigned dSigma=0;
static float    MaxDistance=MAXDISTANCE;
static int      Inhibition=0;
static float    InFreshold=0.0;
 
int SetSigmoidTypeUL(int st)
{
int i;
 i=SigmoidType;
 SigmoidType=st;
 return i;
}
 
void SetAccreditationUL(int ac)
{
 Accreditation=ac;
}
 
// число циклов на которые нейрон тормозится
// после возбуждения
void SetInhibitionUL(int in)
{
 Inhibition=in;
}
 
// порог возбуждения, инициирующий торможение
float SetInhibitionFreshold(float f)
{
float a;
 a=InFreshold;
 InFreshold=f;
 return a;
}
 
float SetSigmoidAlfaUL(float Al)
{
float a;
 a=SigmoidAlfa;
 SigmoidAlfa=Al;
 return a;
}
 
float SetMaxDistanceUL(float md)
{
float a;
 a=MaxDistance;
 if(md<1.0) Accreditation=0;
 MaxDistance=md;
 return a;
}
 
float SetLearnRateUL(float lr)
{
float a;
 a=LearnRate;
 LearnRate=lr;
 return a;
}
 
unsigned SetDSigmaUL(unsigned d)
{
unsigned u;
 u=dSigma;
 dSigma=d;
 return u;
}
 
NeuronUL::~NeuronUL()
{
// dummy
}
 
NeuronUL::NeuronUL(unsigned num_inputs)
         :NeuronFF(num_inputs)
{
 delta=0.; inhibitory=0;
}
 
void NeuronUL::Propagate(void)
{
 state=0.;
 for(unsigned i=0;i<rang;i++)
  state+=(*inputs[i]*2)*(synapses[i]*2);
 // поправка на использование логики ±0.5
 state/=2;
 axon=Sigmoid();
 
 if(Inhibition==0) return;
 
 if(axon>InFreshold) // возбуждение
 {
  if(inhibitory<=0)  // пока не заторможен
   inhibitory=axon*Inhibition/0.5; // тормозим
 }
 
 // постепенное восстановление возможности возбуждаться
 if(inhibitory>0) inhibitory--;
 
}
 
void NeuronUL::Equalize(void)
{
float sq=1./sqrt(rang);
 for(int i=0;i<rang;i++) synapses[i]=sq-0.5;
}
 
void NeuronUL::Normalize(void)
{
float s=0;
 for(int i=0;i<rang;i++) s+=synapses[i]*synapses[i];
 s=sqrt(s);
 if(s) for(int i=0;i<rang;i++) synapses[i]/=s;
}
 
LayerUL::LayerUL(unsigned nRang, unsigned nSynapses)
{
 allocation=EXTERN; status=ERROR; neuronrang=0;
 if(nRang==0) return;
 neurons=new NeuronUL[nRang];
 if(neurons==NULL) return;
 for(unsigned i=0;i<nRang;i++)
 {
  neurons[i].InitNeuron(nSynapses);
  neurons[i].SetInhibitory(0.0);
  if(neurons[i].GetStatus()==ERROR)
  {
   status=ERROR;
   return;
  }
 }
 rang=nRang;
 neuronrang=nSynapses;
 allocation=INNER;
 name=NULL; status=OK;
 imax=/*-imaxprevious1=*/-1;
}
 
LayerUL::LayerUL(NeuronUL _FAR *Neu, unsigned nRang,
         unsigned nSynapses)
{
 neurons=NULL; neuronrang=0; allocation=EXTERN;
 for(unsigned i=0;i<nRang;i++)
  if(Neu[i].rang!=nSynapses) status=ERROR;
 if(status==OK)
 {
  neurons=Neu;
  rang=nRang;
  neuronrang=nSynapses;
  imax=/*-imaxprevious1=*/-1;
 }
}
 
LayerUL::~LayerUL(void)
{
 if(allocation==INNER)
 {
  if(neurons!=NULL)
  {
   for(unsigned i=0;i<rang;i++)
    neurons[i]._deallocate();
   delete [] neurons; neurons=NULL;
  }
 }
}
 
void LayerUL::Randomize(float range)
{
 for(unsigned i=0;i<rang;i++)
  neurons[i].Randomize(range);
}
 
void LayerUL::Equalize(void)
{
 for(unsigned i=0;i<rang;i++)
  neurons[i].Equalize();
}
 
void LayerUL::NormalizeSynapses(void)
{
 for(unsigned i=0;i<rang;i++)
  neurons[i].Normalize();
}
 
void LayerUL::Normalize(void)
{
float s=0.;
 for(unsigned i=0;i<rang;i++)
  s+=(neurons[i].axon+0.5)*(neurons[i].axon+0.5);
 s=sqrt(s);
 if(s) for(i=0;i<rang;i++)
  neurons[i].axon=(neurons[i].axon+0.5)/s-0.5;
}
 
void LayerUL::Show(void)
{
unsigned char sym[5]={GRAFCHAR_EMPTYBLACK, GRAFCHAR_DARKGRAY, GRAFCHAR_MIDDLEGRAY, GRAFCHAR_LIGHTGRAY, GRAFCHAR_SOLIDWHITE };
int i,j;
 if(y && name) for(i=0;i<strlen(name);i++)
  out_char(x+i,y-1,name[i],3);
 out_char(x,y,GRAFCHAR_UPPERLEFTCORNER,15);
 for(i=0;i<2*dx;i++)
  out_char(x+1+i,y,GRAFCHAR_HORIZONTALLINE,15);
 out_char(x+1+i,y,GRAFCHAR_UPPERRIGHTCORNER,15);
 
 for(j=0;j<dy;j++)
 {
  out_char(x,y+1+j,GRAFCHAR_VERTICALLINE,15);
  for(i=0;i<2*dx;i++)
  {
   int n=(int) ((neurons[j*dx+i/2].axon+0.4999)*5);
   if(n<0) n=0;
   if(n>=5) n=4;
   if(j*dx+i/2<rang)
    out_char(x+1+i, y+1+j, sym[n], 15);
  }
  out_char(x+1+i, y+1+j,GRAFCHAR_VERTICALLINE,15);
 }
 
 out_char(x,y+j+1,GRAFCHAR_BOTTOMLEFTCORNER,15);
 for(i=0;i<2*dx;i++)
  out_char(x+i+1,y+j+1,GRAFCHAR_HORIZONTALLINE,15);
 out_char(x+1+i,y+j+1, GRAFCHAR_BOTTOMRIGHTCORNER,15);
}
 
// вывод уровня возбуждения цветом и цифрами
// одновременно
void LayerUL::DigiShow(void)
{
int i,j;
char cc[3];
 
 if(y && name) for(i=0;i<strlen(name);i++)
  out_char(x+i,y-1,name[i],3);
 
 out_char(x,y,GRAFCHAR_UPPERLEFTCORNER,15);
 for(i=0;i<2*dx;i++)
  out_char(x+1+i,y,GRAFCHAR_HORIZONTALLINE,15);
 out_char(x+1+i,y,GRAFCHAR_UPPERRIGHTCORNER,15);
 
 for(j=0;j<dy;j++)
 {
  out_char(x,y+1+j,GRAFCHAR_VERTICALLINE,15);
  for(i=0;i<2*dx;i++)
  {
   int n=(int) ((neurons[j*dx+i/2].axon+0.4999)*100);
   if(n<0) n=0;
   if(n>=100) n=99;
   sprintf(cc,"%02d",n);
 
   if(j*dx+i/2<rang)
   {
    int a;
    if(n>=70) a=CGRAY;
    else if(n>=50) a=CCYAN;
    else if(n>=30) a=CBLUE;
    else a=0;
 
    if(i%2==0)
    out_char(x+1+i, y+1+j, cc[0], 15 | a);
    else
    out_char(x+1+i, y+1+j, cc[1], 15 | a);
   }
  }
  out_char(x+1+i, y+1+j,GRAFCHAR_VERTICALLINE,15);
 }
 
 out_char(x,y+j+1,GRAFCHAR_BOTTOMLEFTCORNER,15);
 for(i=0;i<2*dx;i++)
  out_char(x+i+1,y+j+1,GRAFCHAR_HORIZONTALLINE,15);
 out_char(x+1+i,y+j+1, GRAFCHAR_BOTTOMRIGHTCORNER,15);
}
 
void LayerUL::PrintSynapses(int x, int y)
{
 for(unsigned i=0;i<rang;i++)
  neurons[i].PrintSynapses(x,y+i);
}
 
void LayerUL::PrintAxons(int x, int y, int direction)
{
 for(unsigned i=0;i<rang;i++)
  neurons[i].PrintAxons(x+8*i*direction,
                        y+i*(!direction));
}
 
float NeuronUL::CountDistance(void)
{
int i;
float s=0.0;
 for(i=0;i<rang;i++)
  s+=fabs(*inputs[i]-synapses[i]);
 delta=s;
 return delta;
}
 
void LayerUL::Propagate(void)
{
unsigned i,j;
float fmax, f;
int cx, cy, nx, ny;
 
 for(i=0;i<rang;i++)
  neurons[i].Propagate();
 
  fmax=MAXDISTANCE;
  imax=-1;
  for(i=0;i<rang;i++)
  {
   f=neurons[i].CountDistance();
   if(f<fmax)
   {
    fmax=f;
    imax=i;
   }
  }
 
  if(imax==-1)
  {
   out_str(0,13,"minD=???",10);
   return;
  }
 
  ny=imax/dx;   // вычисление координат X & Y
  nx=imax%dx;
 
  char buf[40];
  sprintf(buf,"minD=%d(%d,%d)",imax,nx,ny);
  out_str(0,13,buf,10);
 
  for(i=0;i<rang;i++) neurons[i].delta = 0;
 
 
 if(0==Accreditation) //neurons[imax].delta = 1;
 
 {
  for(cx=max(nx-(int)MaxDistance,0);
      cx<min(nx+(int)MaxDistance+1,dx);cx++)
  {
   if(dy > 0)
   {
    for(cy=max(ny-(int)MaxDistance,0);
        cy<min(ny+(int)MaxDistance+1,dy);cy++)
    {
     // нейрон в зоне обучения
     neurons[cy*dx+cx].delta = 1;
    }
   }
   else
   {
    neurons[cx].delta = 1;
   }
  }
 }
 
 else //if(Accreditation)
 {
  for(i=0;i<rang;i++)
  {
   int y=i/dx;
   int x=i%dx;
 
   if(fabs(MaxDistance)>=1.0)
    neurons[i].delta=
    exp(-sqrt((nx-x)*(nx-x)+(ny-y)*(ny-y))
        /MaxDistance);
   else Accreditation=0;
 
  }
 }
}
 
NetUL::NetUL(unsigned nLayers)
{
 layers=NULL;
 if(nLayers==0)
 {
  status=ERROR; return;
 }
 layers=new LayerUL _FAR *[nLayers];
 if(layers==NULL) status=ERROR;
 else
 {
  rang=nLayers;
  for(unsigned i=0;i<rang;i++) layers[i]=NULL;
 }
}
 
NetUL::~NetUL()
{
 if(rang)
 {
  if(layers!=NULL)
  {
   for(unsigned i=0;i<rang;i++) layers[i]->~LayerUL();
   delete [] layers; layers=NULL;
  }
 }
}
 
int NetUL::SetLayer(unsigned n, LayerUL _FAR * pl)
{
unsigned i,p;
 
 if(n>=rang) return 1;
 p=pl->rang;
 if(p==0) return 2;
 if(n)     // если не первый слой
 {
  if(layers[n-1]!=NULL)
       // если предыдущий слой уже установлен,
  {        // проверяем соответствие числа нейронов
       // в нем и синапсов в добавляемом слое
   for(i=0;i<p;i++)
   if((*pl).neurons[i].rang!=layers[n-1]->rang)
    return 3;
  }
 }
 
 if(n<rang-1) // если не последний слой
 {
  if(layers[n+1])
  for(i=0;i<layers[n+1]->rang;i++)
  if(p!=layers[n+1]->neurons[i].rang) return 4;
 }
 
 layers[n]=pl;
 return 0;
}
 
int NetUL::FullConnect(void)
{
LayerUL *l;
unsigned i,j,k,n;
 for(i=1;i<rang;i++)  // кроме входного слоя
 {
  l=layers[i];               // по слоям
  if(l->rang==0) return 1;
  n=(*layers[i-1]).rang;
  if(n==0) return 2;
  for(j=0;j<l->rang;j++)     // по нейронам
  {
   for(k=0;k<n;k++)          // по синапсам
   {
    l->neurons[j].inputs[k]=
     &(layers[i-1]->neurons[k].axon);
   }
  }
 }
 return 0;
}
 
void NetUL::Propagate(void)
{
 for(unsigned i=1;i<rang;i++)
 {
  layers[i]->Propagate();
 }
}
 
void NetUL::SetNetInputs(float _FAR *mv)
{
 for(unsigned i=0;i<layers[0]->rang;i++)
  layers[0]->neurons[i].axon=mv[i];
}
 
void NetUL::NormalizeNetInputs(float _FAR *mv)
{
float s=0.;
 for(unsigned i=0;i<layers[0]->rang;i++)
  s+=(mv[i]+0.5)*(mv[i]+0.5);
 s=sqrt(s);
 if(s) for(i=0;i<layers[0]->rang;i++)
  mv[i]=(mv[i]+0.5)/s-0.5;
}
 
int Signum(float a, float b)
{
 if(a<0 && b<0) return -1;
 if(a>0 && b>0) return 1;
 return 0;
}
 
void LayerUL::TranslateAxons(void)
{
 if(0==Accreditation) return;
 for(int i=0;i<rang;i++)
 {
  neurons[i].axon=neurons[i].delta-0.5;
 }
}
 
void NetUL::Learn(void)
{
int j;
unsigned i,k;
 
 for(j=1;j<rang;j++)                // по слоям
 {
  if(Accreditation==0)
  {
   for(i=0;i<layers[j]->rang;i++)
   {                                // по нейронам
    if(layers[j]->neurons[i].delta == 0) continue;
 
    for(k=0;k<layers[j]->neuronrang;k++)
                    // по синапсам
    {
     layers[j]->neurons[i].synapses[k]+=LearnRate*
     (layers[j-1]->neurons[k].axon
     - layers[j]->neurons[i].synapses[k]);
    }
   }
  }
  else
  {
   for(i=0;i<layers[j]->rang;i++)
   {                                 // по нейронам
    if(Inhibition       // заторможенные пропускаем
    && layers[j]->neurons[i].inhibitory>0) continue;
 
    for(k=0;k<layers[j]->neuronrang;k++)
                    // по синапсам
    {
     layers[j]->neurons[i].synapses[k]+=LearnRate
     *layers[j]->neurons[i].delta
     *(layers[j-1]->neurons[k].axon
     - layers[j]->neurons[i].synapses[k]);
    }
   }
  }
 }
}
 
void NetUL::Randomize(float range)
{
 for(unsigned i=0;i<rang;i++)
  layers[i]->Randomize(range);
}
 
void NetUL::Equalize(void)
{
 for(unsigned i=1;i<rang;i++)
  layers[i]->Equalize();
}
 
void NetUL::Normalize(void)
{
 for(unsigned i=1;i<rang;i++)
  layers[i]->Normalize();
}
 
int NetUL::SaveToFile(unsigned char *file)
{
FILE *fp;
 fp=fopen(file,"wt");
 if(fp==NULL) return 1;
 fprintf(fp,"%u",rang);
 for(unsigned i=0;i<rang;i++)
 {
  fprintf(fp,"\n+%u",layers[i]->rang);
  fprintf(fp,"\n¦%u",layers[i]->neuronrang);
  for(unsigned j=0;j<layers[i]->rang;j++)
  {
   fprintf(fp,"\n¦+%f",layers[i]->neurons[j].state);
   fprintf(fp,"\n¦¦%f",layers[i]->neurons[j].axon);
   fprintf(fp,"\n¦¦%f",layers[i]->neurons[j].delta);
   for(unsigned k=0;k<layers[i]->neuronrang;k++)
   {
    fprintf(fp,"\n¦¦%f",
     layers[i]->neurons[j].synapses[k]);
   }
   fprintf(fp,"\n¦+");
  }
  fprintf(fp,"\n+");
 }
 fclose(fp);
 return 0;
}
 
int NetUL::LoadFromFile(unsigned char *file)
{
FILE *fp;
unsigned i,r,nr;
unsigned char bf[12];
 fp=fopen(file,"rt");
 if(fp==NULL) return 1;
 fscanf(fp,"%u\n",&r);
 
 if(r==0) goto allerr;
 layers=new LayerUL _FAR *[r];
 if(layers==NULL)
 { allerr: status=ERROR; fclose(fp); return 2; }
 else
 {
  rang=r;
  for(i=0;i<rang;i++) layers[i]=NULL;
 }
 
 for(i=0;i<rang;i++)
 {
  fgets(bf,10,fp);
  r=atoi(bf+1);
  fgets(bf,10,fp);
  nr=atoi(bf+1);
  layers[i] = new LayerUL(r,nr);
  for(unsigned j=0;j<layers[i]->rang;j++)
  {
   fscanf(fp,"¦+%f\n",&(layers[i]->neurons[j].state));
   fscanf(fp,"¦¦%f\n",&(layers[i]->neurons[j].axon));
   fscanf(fp,"¦¦%f\n",&(layers[i]->neurons[j].delta));
   for(unsigned k=0;k<layers[i]->neuronrang;k++)
   {
    fscanf(fp,"¦¦%f\n",
     &(layers[i]->neurons[j].synapses[k]));
   }
   fgets(bf,10,fp);
  }
  fgets(bf,10,fp);
 }
 fclose(fp);
 return 0;
}
 
NetUL::NetUL(unsigned n, unsigned n1, ...)
{
unsigned i, num, prenum;
va_list varlist;
 
 status=OK; rang=0; pf=NULL; learncycle=0;layers=NULL;
 layers=new LayerUL _FAR *[n];
 if(layers==NULL) { allerr: status=ERROR; }
 else
 {
  rang=n;
  for(i=0;i<rang;i++) layers[i]=NULL;
 
  num=n1;
  layers[0] = new LayerUL(num,0);
  if(layers[0]->GetStatus()==ERROR) status=ERROR;
  va_start(varlist,n1);
  for(i=1;i<rang;i++)
  {
   prenum=num;
   num=va_arg(varlist,unsigned);
   layers[i] = new LayerUL(num,prenum);
   if(layers[i]->GetStatus()==ERROR) status=ERROR;
  }
  va_end(varlist);
 }
}
 
int NetUL::LoadNextPattern(float _FAR *IN)
{
unsigned char buf[256];
unsigned char *s, *ps;
int i;
 if(imgfile==1)
 {
  restart:
  for(i=0;i<layers[0]->dy;i++)
  {
   if(fgets(buf,256,pf)==NULL)
   {
    if(learncycle)
    {
     rewind(pf);
     learncycle--;
     goto restart;
    }
    else return 2;
   }
 
   for(int j=0;j<layers[0]->dx;j++)
   {
    if(buf[j]=='x') IN[i*layers[0]->dx+j]=0.5;
    else if(buf[j]=='.') IN[i*layers[0]->dx+j]=-0.5;
   }
  }
 
  fgets(buf,256,pf);
  return 0;
 }
 else if(imgfile==2 && emuf != NULL)
  return (*emuf)(layers[0]->rang,IN,NULL);
 else if(pf==NULL) return 1;
 
 // разбор строки доверять функции scanf нельзя
 start:
 if(fgets(buf,250,pf)==NULL)
 {
  if(learncycle)
  {
   rewind(pf);
   learncycle--;
   goto start;
  }
  else return 2;
 }
 s=buf;
 for(;*s==' ';s++);
 for(i=0;i<layers[0]->rang;i++)
 {
  ps=strchr(s,' ');
  if(ps) *ps=0;
  IN[i]=atof(s);
  s=ps+1; for(;*s==' ';s++);
 }
 
 fgets(buf,256,pf);
 return 0;
}
 
// функция внесения помех
float NetUL::Change(float In)
{
 return -In;
}
 
void NetUL::AddNoise(void)
{
unsigned i,k;
 for(i=0;i<dSigma;i++)
 {
  k=random(layers[0]->rang);
  layers[0]->neurons[k].axon=
  Change(layers[0]->neurons[k].axon);
 }
}
 
void NetUL::ConvexCombination(float *In, float step)
{
float sq=1./sqrt(layers[0]->rang)-0.5;
 if(step<0.) step=0.;
 if(step>1.) step=1.;
 for(int i=0;i<layers[0]->rang;i++)
  In[i]=In[i]*step+sq*(1-step);
}
 
void NetUL::NormalizeSynapses(void)
{
 for(unsigned i=0;i<rang;i++)
  layers[i]->NormalizeSynapses();
}
Листинг 3

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
// FILE neuman7.cpp for neuro_mm.prj
#include <string.h>
#include <conio.h>
#include <stdlib.h>
#include <math.h>
#include <bios.h>
#include "neuro_mm.h"
//#define INHIBITION 2
 
#pragma argsused
int GenFunction(int n, float _FAR *in, float _FAR *ou)
{
static unsigned loop=0;
static int repeat=0;
int i;
 for(i=0;i<n;i++) in[i]=(float)rand()/RAND_MAX-0.5;
 repeat++;
 if(repeat==232)
 {
  repeat=0;
  loop++;
  srand(loop);
 }
 return 0;
}
 
main()
{
float Inp[30];
int count;
unsigned char buf[256];
float md=0.0;
int i;
 
 NetUL N(2,2,100);
 
 if(N.GetStatus()==ERROR)
 {
  printf("\nERROR: Net Can not Be Constructed!");
  return 1;
 }
 
 ClearScreen();
 N.GetLayer(0)->SetName("Input");
 N.GetLayer(0)->SetShowDim(1,1,2,1);
 N.GetLayer(1)->SetName("Out");
 N.GetLayer(1)->SetShowDim(17,1,10,10);
 
 srand(2); // задаем начальное условие для ГСЧ
 SetSigmoidTypeUL(HYPERTAN);
 SetDSigmaUL(2);
 N.FullConnect();
 N.Randomize(5);
 N.NormalizeSynapses();
 // N.Equalize();  // использовать с ConvexCombination
 N.SetLearnCycle(64000U);
 
 SetLearnRateUL(1);
 
 // используем гауссиан для определения формы
 // области обучения и эффективности воздействия
 SetAccreditationUL(1);
// SetInhibitionUL(INHIBITION);
 
 N.EmulatePatternFile(GenFunction);
 
 i=13;
 for(count=0;;count++)
 {
  sprintf(buf," Cycle %u ",count);
  out_str(1,23,buf,10 | (1<<4));
  sprintf(buf,"MD=%.1f ",md);
  out_str(14,23,buf,10);
  out_str(1,24," ESC breaks ",11 | (1<<4));
  if(kbhit() || i==13) i=getch();
  if(i==27) break;
  if(i=='s' || i=='S')
  {
   out_str(40,24,"FileConf:",7);
   gotoxy(50,25);
   gets(buf);
   if(strlen(buf)) N.SaveToFile(buf);
   break;
  }
 
  if(N.LoadNextPattern(Inp)) break;
 
  // использовать вместе NormalizeSynapses
  // для сложных образов
  // N.NormalizeNetInputs(Inp);
 
  if(count<3000)
   md=SetMaxDistanceUL(7.0*(3000-count)/3000+1);
  else
   SetMaxDistanceUL(0);
 
  if(count<3000)
   SetLearnRateUL(0.1*(3000-count)/3000+0.05);
  else
   SetLearnRateUL(0.1);
 
  // N.ConvexCombination(Inp,(float)count/1000);
  N.SetNetInputs(Inp);
  // в случае ограниченного тренировочного набора
  // варьируем выборку данных
  // N.AddNoise();
 
  N.Propagate();
 
  // если нажат Shift, ничего не выводим
  // для ускорения процесса
  if(!(bioskey(2) & 0x03))
  {
   N.GetLayer(0)->DigiShow();
   N.GetLayer(1)->DigiShow(); // состояние
   N.GetLayer(1)->SetShowDim(50,1,10,10);
   N.GetLayer(1)->TranslateAxons();
   N.GetLayer(1)->Show();  // текущая область обучения
   N.GetLayer(1)->SetShowDim(17,1,10,10);
  }
 
  // N.NormalizeSynapses();
  N.Learn();
 
 }
 N.ClosePatternFile();
 return 0;
}
 
Листинг 4
 
// FILE colour.h
 
// background colours
#define CBLUE (1<<4)
#define CGREEN (1<<5)
#define CRED (1<<6)
 
#define CCYAN (CGREEN|CBLUE)
#define CYELLOW (CGREEN|CRED)
#define CMAGENTA (CBLUE|CRED)
#define CBLACK 0
#define CGRAY (CGREEN|CBLUE|CRED)
0
Вложения
Тип файла: zip n3.zip (21.7 Кб, 334 просмотров)
 
КиберФорум - форум программистов, компьютерный форум, программирование
Powered by vBulletin® Version 3.8.9
Copyright ©2000 - 2017, vBulletin Solutions, Inc.