bp网络实例及vb代码

1、1 :关于BP网络背面传播(BP )神经网络，即学习误差反向传播误差反向传播算法的过程由信息正向传播和误差反向传播两个过程组成。 输入层的各神经元接收来自外部的输入信息，并传递给中间层的各神经元的中间层是内部信息处理层，负责信息的转换，根据信息的变化能力的需要，中间层可以设计成单隐藏层或多隐藏层结构，最后的隐藏层传递给输出层的各神经元的信息进一步如果实际输出与预期输出不匹配，则进入误差的反向传播阶段。 误差通过输出层，修正各层的权重，使误差梯度下降，按层反转为隐藏层、输入层。 每周重复的信息正向传播和误差反向传播的过程是各层权重不断调整的过程，也是神经网络的学习训练的过程，该过程减少到网络输出

2、误差可接受的程度，或进行到预设的学习次数。BP网络主要应用于函数近似、模式识别和分类、数据压缩。 BP神经网络具有很强的泛化性能，有使网络平滑的近似函数，能合理响应训练以外的输入。同时，BP网络有自己的限制和不足，主要需要很长的训练时间，网络训练的结果，权重可能局部最佳，训练数据范围外的数据泛化能力差。为了避免训练陷入局部最佳解，本程序采用改进的BP网络训练，加上动量因子，网络在最佳解附近有一定的振动，脱离局部最佳范围。在BP网络训练中，学习速度和运动量因子的选择很重要，将在后面的内容中详细讨论。2 :训练的函数程序训练的函数是三输入一输出的非线性函数，如下，网络结构是3513 :程序和相关接

3、口(VB )一个主接口代码：私有子命令1 _ click ()form2.Visible=FalseForm3.Visible=True终结子私有子命令2 _ click ()form2.Visible=FalseForm1.Visible=True终结子私有子命令3 _ click ()form2.Visible=FalseForm4.Visible=True终结子私有子命令4 _ click ()form2.Visible=FalseForm5.Visible=True终结子私有子命令5 _ click ()结束终结子私有子表单_ load ()command3.启用=假command4.

4、启用=false终结子2显示网络结构代码：私有子命令1 _ click ()Form3.Visible=Falseform2.Visible=True终结子3网络训练代码：私有子命令1 _ click ()Form1.Visible=Falseform2.Visible=True终结子私有子命令2 _ click ()Label2.Caption=正在培训示例Dim i As Integer，japassinteger，k As Integer，aspaseinteger，s As Singledim maxx (1to3) as单音，minx (1to3) as单音，meanx (1to3)

5、 as单音dimx (1to 3，1to 100 ) ass single，sumx(1 To 3) As Single，Temp As Singledim datex (1to 3，1to 100 ) ass single，输入(1to3) as single，输出(1to 100 ) as singledim ex (1to 100 ) as单Dim time(1 To 5000) As Integer，cishu(1 To 100) As Integerdim dv _1(1to 5，1to3) ass single，Dw_1(1 To 5) As Singledimrsalissing

6、leDim Maxd As Single，Mind As SingleDim s1(1 To 5) As Single，y1(1to 5，1to 100 ) ass single，s2 As Single，y2(1 To 100) As SingleDim deltW(1 To 100) As Single，deltv (1to 5，1to 100 ) as singleDim Dw(1 To 5) As Single，dv (1to 5，1 to3) as singledim myin (1to3) as单曲dim errorx (1to 5000 ) as单RandomizeFor i=1

7、 To 3Maxx(i)=0Minx(i)=0Meanx(i)=0下一个时间=0Maxd=0Mind=0For i=1 To 5For j=1 To 3Dv_1(i，j)=0v(i，j)=2 * Rnd - 1下一个Dw_1(i)=0w(i)=2 * Rnd - 1下一个For j=1 To 3For i=1 To 100x(j，i)=4 * (2 * Rnd - 1 )下一个sumx(j)=0下一个求财宝For j=1 To 3For i=1 To 100PS (j，i)=Maxx(j) ThenMaxx(j)=x(j，I )最终PSPK (j，I )=PS (j ) thenMinx(j)

8、=x(j，I )时间=时间x (j，I )最终PS下一个sumx(j)=Temp时间=0Meanx(j)=sumx(j)/100下一代正规化For j=1 To 3For i=1 To 100If Maxx(j) - x(j，i)=x(j，i) - Minx(j) ThenR=Maxx(j) - x(j，I )ElseR=x(j，i) - Minx(j )最终PSDatex(j，i)=(x(j，I ) -最大值(j ) )/r下一个下一代期望的输出For i=1 To 100For j=1 To 3inputx(j)=Datex(j，I )下一代outputx (I )=2* (inputx

9、(1) sin (inputx (2) ) exp (inputx (3) )下一个输出正规化For i=1 To 100If Maxd=outputx(i) ThenMaxd=outputx(i )最终PSIf Mind=outputx(i) ThenMind=outputx(i )最终PS下一个For i=1 To 100ex (I )=(输出(I ) -最小)/(最大最小)下一个训练For s=1 To 5000 Step 1time(s)=sFor p=1 To 100cishu(p)=pFor i=1 To 3MyIn(i)=Datex(i，p )下一个For i=1 To 5For

10、 j=1 To 3Temp=Temp v(i，j) * MyIn(j )下一代s1(i)=Temp时间=0下一个For i=1 To 5y1(i，p)=1/(1 Exp(-s1(i ) ) )下一个For i=1 To 3时间=y1 (I，p ) * w (I )时间下一个S2=临时时间=0y2(p)=1/(1 Exp(-s2) )戴尔(p )=(ex (p )-y2(p ) ) * y2(p ) * (1- y2(p ) )For i=1 To 5戴尔电视(I，p )=戴尔电视(p ) * w (I ) * y1(I，p) * (1 - y1(i，p ) )下一个下一页误差For i=1 T

11、o 100时间=时间(ex (I )-y2 (I ) ) 2下一个Errorx(s)=Temp时间=0调整权重For i=1 To 5Dw_1(i)=Dw(i )下一个For i=1 To 5For j=1 To 100临时删除(j ) * y1 (I，j )下一代Dw(i)=Temp时间=0下一个For i=1 To 5For j=1 To 3Dv_1(i，j)=Dv(i，j )下一代下一个For i=1 To 5For j=1 To 3For k=1 To 100临时戴尔电视(I，k ) *数据(j，k )下一个Dv(i，j)=Temp时间=0下一代下一个For i=1 To 5w(i)=

12、0.2 * Dw(i) 0.2 * Dw_1(i) w(i )。下一个For i=1 To 3For j=1 To 5v(j，i)=0.2 * Dv(j，i) 0.2 * Dv_1(j，i) v(j，I )下一代下一个画画儿Picture1.ClsPicture1.ScaleTop=1.5Picture1.ScaleHeight=-2Picture1.ScaleLeft=-10Picture1.ScaleWidth=120picture1. line (-9，0 )-(110，0 )picture1. line (0，0 )-(0，1.5 )For i=1 To 100Picture1.PSet (cishu(i )，Ex(i ) )，RGB (128，128，0 )Picture1.PSet (cishu(i )，y2(i ) )，RGB (128，0，0