C语言实现BP神经网络模型

BP（Back Propagation）神经网络是一种常见的人工神经网络模型，用于解决分类、回归、时间序列预测等问题。下面是一个简单的C语言实现BP神经网络模型的示例代码：

#include <stdio.h>
#include <stdlib.h>
#include <math.h>

#define INPUT_NUM 2     // 输入层节点数
#define HIDDEN_NUM 3    // 隐层节点数
#define OUTPUT_NUM 1    // 输出层节点数
#define LEARNING_RATE 0.5   // 学习率
#define MAX_ITERATION 10000  // 最大迭代次数

// sigmoid函数
double sigmoid(double x)
{
    return 1.0 / (1.0 + exp(-x));
}

// sigmoid函数的导数
double dsigmoid(double x)
{
    return x * (1.0 - x);
}

int main()
{
    double input[INPUT_NUM] = {0.05, 0.10};   // 输入向量
    double target[OUTPUT_NUM] = {0.01};        // 目标输出向量
    double hidden[HIDDEN_NUM] = {0.0};        // 隐层节点输出向量
    double output[OUTPUT_NUM] = {0.0};        // 输出层节点输出向量

    // 初始化权值和阈值
    double w1[INPUT_NUM][HIDDEN_NUM] = {{0.15, 0.25, 0.35}, {0.20, 0.30, 0.40}};
    double w2[HIDDEN_NUM][OUTPUT_NUM] = {{0.45}, {0.50}, {0.55}};
    double b1[HIDDEN_NUM] = {0.35, 0.35, 0.35};
    double b2[OUTPUT_NUM] = {0.60};

    int iteration = 0;
    while(iteration < MAX_ITERATION)
    {
        // 前向传播
        for(int i = 0; i < HIDDEN_NUM; i++)
        {
            double net = 0.0;
            for(int j = 0; j < INPUT_NUM; j++)
            {
                net += input[j] * w1[j][i];
            }
            net += b1[i];
            hidden[i] = sigmoid(net);
        }

        for(int i = 0; i < OUTPUT_NUM; i++)
        {
            double net = 0.0;
            for(int j = 0; j < HIDDEN_NUM; j++)
            {
                net += hidden[j] * w2[j][i];
            }
            net += b2[i];
            output[i] = sigmoid(net);
        }

        // 反向传播
        double error = 0.0;
        double delta_output[OUTPUT_NUM] = {0.0};
        double delta_hidden[HIDDEN_NUM] = {0.0};
        for(int i = 0; i < OUTPUT_NUM; i++)
        {
            error += 0.5 * (target[i] - output[i]) * (target[i] - output[i]);
            delta_output[i] = (target[i] - output[i]) * dsigmoid(output[i]);
        }

        for(int i = 0; i < HIDDEN_NUM; i++)
        {
            double sum = 0.0;
            for(int j = 0; j < OUTPUT_NUM; j++)
            {
                sum += delta_output[j] * w2[i][j];
            }
            delta_hidden[i] = sum * dsigmoid(hidden[i]);
        }

        // 更新权值和阈值
        for(int i = 0; i < HIDDEN_NUM; i++)
        {
            for(int j = 0; j < INPUT_NUM; j++)
            {
                w1[j][i] += LEARNING_RATE * delta_hidden[i] * input[j];
            }
            b1[i] += LEARNING_RATE * delta_hidden[i];
        }

        for(int i = 0; i < OUTPUT_NUM; i++)
        {
            for(int j = 0; j < HIDDEN_NUM; j++)
            {
                w2[j][i] += LEARNING_RATE * delta_output[i] * hidden[j];
            }
            b2[i] += LEARNING_RATE * delta_output[i];
        }

        printf("iteration: %d, error: %f\n", iteration, error);
        iteration++;
    }

    // 输出结果
    printf("input: %f, %f\n", input[0], input[1]);
    printf("output: %f\n", output[0]);

    return 0;
}

以上代码实现了一个简单的BP神经网络模型，包括输入层、隐层和输出层。代码中使用了sigmoid函数作为激活函数，采用均方误差作为损失函数，并使用反向传播算法进行权值和阈值的更新。在代码中，我们使用了一个较小的学习率（LEARNING_RATE），并设置了最大迭代次数（MAX_ITERATION），以保证模型能够较快收敛。最终输出结果为输入向量对应的输出值，即BP神经网络的预测结果。