Un ejemplo de un algoritmo simple de red neuronal artificial basado en la implementación de Java

Este artículo describe un algoritmo de red neuronal artificial simple basado en la implementación de Java. Compártelo para su referencia, como sigue:

Echemos un vistazo al diagrama de algoritmo que he dibujado:

2. Categoría de datos

 import java.util.Arrays; data de clase pública {double [] vector; División int; tipo int; public Double [] getVector () {return vector; } public void setVector (double [] vector) {this.vector = vector; } public int getDimention () {División de retorno; } public void setDimenter (int division) {this.dimention = division; } public int getType () {Tipo de retorno; } public void settype (int type) {this.type = type; } Datos públicos (doble [] vector, intdimentation, int type) {super (); this.vector = vector; this.dimentation = Dimentation; this.type = type; } public data () {} @Override public String toString () {return "data [vector =" + arrays.toString (vector) + ", dimension =" + dimentation + ", type =" + type + "]"; }}

3. Red neuronal artificial simple

 paquete cn.edu.hbut.chenjie; import java.util.arrayList; import java.util.list; import java.util.random; import og.jfree.chart.chartyor; import og.jfree.chartfartframe; import og.jfree.jfreechart; import org.jfree.data.xy.defaultxydataSet; import org.jfree.ui.refineryUtility; public class Ann2 {private Double eta; // tasa de aprendizaje private int n_iter; // vector de peso w [] Número de tiempos de capacitación Lista privada <Data> Ejercicio; // Capacitación DataSet Double W0 = 0; // Threshold Private Double X0 = 1 1; Pesos; // Vector de peso, cuya longitud es la dimensión de datos de entrenamiento +1, en este caso los datos son 2 dimensiones, por lo que la longitud es 3 privado int testSum = 0; // Total de datos de prueba Private int Error = 0; // Número de error DefaultxyDataSet xyDataSet = new DefaultXyDataSet (); / *** Agregue datos del mismo tipo al tipo de gráfico* @param Tipo de tipo* @param A El primer componente de todos los datos* @param B El segundo componente de todos los datos*/ public void add (tipo de cadena, doble [] a, double [] b) {double [] [] data = new Double [2] [a.length]; for (int i = 0; i <a.length; i ++) {data [0] [i] = a [i]; datos [1] [i] = b [i]; } xydataset.addseries (tipo, datos); } / *** Draw* / public void draw () {jfreechart jfreechart = ChartFactory.CreateScatterPlot ("Ejercicio", "x1", "x2", xydataSet); ChartFrame Frame = new ChartFrame ("Datos de entrenamiento", jfreeChart); Frame.pack (); Refineryutilities.centerFrameonScreen (marco); Frame.SetVisible (verdadero); } public static void main(String[] args) { ANN2 ann2 = new ANN2(0.001,100);//Construct an artificial neural network List<Data> exercise = new ArrayList<Data>();//Construct a training set//Manually simulate 1,000 training data, the dividing line is x2=x1+0.5 for(int i=0;i<1000000;i++) { Random rd = new Aleatorio(); double x1 = rd.nextDouble (); // Generar un componente aleatorio Double x2 = rd.nextDouble (); // Generar otro componente Double [] da = {x1, x2}; // Generar datos de vector d = Datos nuevos (DA, 2, x2> x1+0.5? 1: -1); // Datos Ejercicio. = 0; // registro tipo 1 int sum2 = 0; // registro tipo-1 número de registro de entrenamiento para (int i = 0; i <ejercicio.size (); i ++) {if (ejercicio.get (i) .gettype () == 1) sum1 ++; else if (ejercicio.get (i) .gettype () ==-1) sum2 ++; } double [] x1 = new Double [sum1]; doble [] y1 = nuevo doble [sum1]; double [] x2 = new Double [sum2]; doble [] y2 = new Double [sum2]; int index1 = 0; int index2 = 0; for (int i = 0; i <ejercicio.size (); i ++) {if (ejercicio.get (i) .gettype () == 1) {x1 [index1] = ejercicio.get (i) .vector [0]; y1 [index1 ++] = ejercicio.get (i) .vector [1]; } else if (ejercicio.get (i) .gettype () ==-1) {x2 [index2] = ejercicio.get (i) .vector [0]; y2 [index2 ++] = ejercicio.get (i) .vector [1]; }} ann2.Add ("1", x1, y1); ann2.Add ("-1", x2, y2); ann2.draw (); ann2.Input (ejercicio); // Ingrese el conjunto de entrenamiento en la red neuronal artificial ann2.fit (); // trenes ann2.showweigths (); // Muestra el vector de peso // Genere manualmente mil datos de prueba para (int i = 0; i <10000; i ++) {rd = new new aleator (); doble x1_ = rd.nextDouble (); doble x2_ = rd.nextDouble (); doble [] da = {x1_, x2_}; Data test = new Data (DA, 2, x2_> x1_+0.5? 1: -1); Ann2.Predict (test); // test} System.out.println ("Total Test" + Ann2.Testsum + "Datos de bits" + Ann2.Error + ", tasa de error:" + Ann2.Error * 1.0 /ann2.testsum * 100 + "%"); } / ** * * @param eta tasa de aprendizaje * @param n_iter weight component times * / public ann2 (doble eta, int n_iter) {this.eta = eta; this.n_iter = n_iter; }/*** Ingrese el conjunto de capacitación establecido en la red neuronal artificial* @param ejercicio*/private void entrada (list <sats> ejercicio) {this.exercise = ejercicio; // Guardar el conjunto de entrenamiento Pesos = new Double [ejercicio.get (0) .dimentil + 1]; // Inicializar el vector de peso, su longitud es la dimensión de datos de entrenamiento +1 pesos [0] = W0; = 1; ejercicio.get (j) .type; // y int calculate_result = calculateResult (ejercicio.get (j)); // y 'doble delta0 = eta * (real_result - calculate_result); // calcule el umbral actualizando w0 += delta0; // peso de actualización de actualización [0] = w0; // update w [0] para (int k = 0; k = 0; k = 0; k = 0; k = 0; k = 0; k = 0; k = 0; K = 0; ejercicio.get (j) .getDivision (); // ΔW = η*(y-y ')*x pesos [k +1] += delta; // w = w+ΔW}}}} private int calcululaterSult (datos datos) {doble z = w0 * x0; for (int i = 0; i <data.dimention; i ++) z+= data.vector [i] * pesos [i+1]; //z=w0x0+w1x1+...+wmxm // función de activación if (z> = 0) return 1; else return -1; } private void showweigths () {para (doble w: pesos) system.out.println (w); } private void predicto (datos de datos) {int type = calculateSult (data); if (type == data.gettype ()) {//system.out.println("precaution correcto "); } else {//system.out.println("precaution error "); error ++; } testSum ++; }}

Resultados de ejecución:

 -0.220000000000000000017-0.44168439828154530.4424444202054685 Se probaron un total de 10,000 datos, con 17 errores, tasa de error: 0.16999999999999999999999999999998% 6

Para obtener más información sobre los algoritmos de Java, los lectores interesados en este sitio pueden ver los temas: "Estructura de datos Java y tutorial de algoritmo", "Resumen de las puntas de nodo de operación de Java DOM", "Resumen de Java Archivo y TIPS de operación de directorio" y "Summary of Java Cache Operation Tips" TIPS ""

Espero que este artículo sea útil para la programación Java de todos.