この記事では、Javaの実装に基づいた単純な人工ニューラルネットワークアルゴリズムについて説明します。次のように、参照のために共有してください。
描いたアルゴリズム図を見てみましょう。
2。データカテゴリ
Import Java.util.arrays;パブリッククラスデータ{double [] vector; INT部門; intタイプ; public double [] getVector（）{return vector; } public void setVector（double [] vector）{this.vector = vector; } public int getDimention（）{Return Division; } public void setdimention（int division）{this.dimention = division; } public int getType（）{return type; } public void setType（intタイプ）{this.type = type; } public data（double [] vector、int dimentation、int type）{super（）; this.vector = vector; this.dentation = dimentation; this.type = type; } public data（）{} @override public string toString（）{return "data [vector =" + arrays.tostring（vector） + "、dimension =" + dimentation + "、type =" + type + "]"; }}3.単純な人工ニューラルネットワーク
パッケージcn.edu.hbut.chenjie; import java.util.arraylist; import java.util.list; import java.util.random; import org.jfree.chartfactory; import org.jfree.chart.chartframe; Import org.jfree.jfreechart; Import; org.jfree.data.xy.defaultxydataset; Import org.jfree.ui.ureeryutitivities; public class ann2 {private double eta; // Learning Rate private int n_iter; // Weight Vector W []トレーニング時間数プライベートリスト<データ>演習<データ> //トレーニングデータセットプライベートプライベートw0;重み; //重量ベクトル、その長さはトレーニングデータディメンション+1、この場合、データは2次元であるため、長さは3プライベートint testsum = 0; //テストデータの合計プライベートintエラー= 0; / ***同じタイプのデータをチャートに追加* @paramタイプタイプ* @param Aすべてのデータの最初のコンポーネント* @param bすべてのデータの2番目のコンポーネント*/ public void add（string type、double [] a、double [] [] {double [] [] data = new double [2] [a.length]; for（int i = 0; i <a.length; i ++）{data [0] [i] = a [i];データ[1] [i] = b [i]; } xydataset.addseries（タイプ、データ）; } / *** draw* / public void draw（）{jfreechart jfreechart = chartfactory.createscatterplot（ "Exercise"、 "x1"、 "x2"、xydataset）; ChartFrame Frame = new Chartframe（ "Training Data"、jfreechart）; frame.pack（）; refineryutilities.centerframeonscreen（frame）; frame.setVisible（true）; } public static void main（string [] args）{ann2 ann2 = new ann2（0.001,100）; //人工ニューラルネットワークリスト<data>演習= new arraylist <data>（）; // 1,000トレーニングデータを作成します。 double x1 = rd.nextdouble（）; //ランダム1つのコンポーネント生成ダブルx2 = rd.nextdouble（）; //ランダム生成別のコンポーネントダブル[] da = {x1、x2} sum1 = 0; //レコードタイプ1 int sum2 = 0; //録音タイプ1トレーニングレコード番号else if（exercise.get（i）.getType（）== -1）sum2 ++; } double [] x1 = new double [sum1]; double [] y1 = new double [sum1]; double [] x2 = new double [sum2]; double [] y2 = new double [sum2]; int index1 = 0; int index2 = 0; for（int i = 0; i <exercise.size（）; i ++）{if（exercise.get（i）.getType（）== 1）{x1 [index1] = exercise.get（i）.vector [0]; y1 [index1 ++] = ecester.get（i）.vector [1]; } else if（exercise.get（i）.getType（）== -1）{x2 [index2] = ecester.get（i）.vector [0]; y2 [index2 ++] = ecester.get（i）.vector [1]; }} ann2.add（ "1"、x1、y1）; ann2.add（ "-1"、x2、y2）; ann2.draw（）; ann2.input（exercise）; //人工ニューラルネットワークにセットを入力しますann2.fit（）; // train ann2.showweighths（）; //重みベクトル// 1000のテストデータを手動で生成します（int i = 0; i <10000; i ++）{random rd = new random（）; double x1_ = rd.nextdouble（）; double x2_ = rd.nextdouble（）; double [] da = {x1_、x2_};データテスト=新しいデータ（DA、2、x2_> x1_+0.5？1：-1）; ann2.predict（test）; // test} system.out.println（ "Total test" + ann2.testsum + "ビットデータ、" + ann2.error + "ビットエラー、エラー率：" + ann2.error * 1.0/ann2.testsum * 100 + "％"）; } / ** * * @param eta学習率 * @param n_iter重量コンポーネント学習時間 * / public ann2（double eta、int n_iter）{this.eta = eta; this.n_iter = n_iter; }/***人工ニューラルネットワークにトレーニングセットを入力します* @param Exercise*/private void input（list <data> exercise）{this.exercise = exercise; //トレーニングセットの重量=新しいダブル[エクササイズ（0）.demention + 1]; 1; i ++）重量; //残りのコンポーネントは0} for（Int i = 0; i <n_iter; i ++）//重量コンポーネントがn_iter times {for（int j = 0; j <acters）; Exercise.get（j）.type; // y int calculate_result = calculateresult（exercise.get（j））; // y 'double delta0 = eta *（real_result -calculate_result）; // scalculate_result）; Exercise.get（j）.getDivision（）; //ΔW=η*（y-y '）*x weights [k +1] += delta; // w = w+Δw}}}} private int calculateresult（data data）{double z = w0 * x0; for（int i = 0; i <data.dimention; i ++）z+= data.vector [i] * weights [i+1]; //z=w0x0+w1x1+...+wmxm //アクティベーション関数（z> = 0）return 1;それ以外の場合は-1; } private void showweigths（）{for（double w：weights）system.out.println（w）; } private void predict（data data）{int type = calculateresult（data）; if（type == data.getType（））{//system.out.println( "precaution recort"）; } else {//system.out.println("precaution error "）;エラー++; } testSum ++; }}実行結果：
-0.22000000000000000000017-0.44168439828154530.44244444202054685合計10,000データがテストされ、17エラー、エラー率：0.1699999999999999999999999999999998％
Javaアルゴリズムの詳細については、このサイトに興味のある読者は、「Javaデータ構造とアルゴリズムのチュートリアル」、「Java操作DOMノードのヒントの要約」、「Javaファイルの要約およびディレクトリ操作のヒント」、「Java Cache操作のヒントの要約」というトピックを見ることができます。
この記事がみんなのJavaプログラミングに役立つことを願っています。