//vai instaciar os neuronis de entrada, oculto e saida
public BackpropagationClass()
{
for (int i = 0; i < NEURONIO_ENTRADA; i++)
{
neuronios[i] = new Neuronio(LayerType.E);
}
for (int i = NEURONIO_ENTRADA; i < NEURONIO_ENTRADA + NEURONIO_OCULTO; i++)
{
neuronios[i] = new Neuronio(LayerType.O);
}
neuronios[NEURONIO_ENTRADA + NEURONIO_OCULTO] = new Neuronio(LayerType.S);
}
private void btnArquivoTreina_Click(object sender, EventArgs e)
{
// VERIFICA SE O VALOR DE INTERAÇÕES É O MINIMO DE 100 //
if (int.TryParse(txtIntera.Text, out numeroIteracoes) && Convert.ToInt32(txtIntera.Text) >= 100)
{
numeroIteracoes = Convert.ToInt32(txtIntera.Text);
// VERIFICA SE O VALOR DA TAXA DE APRENDIZAGEM ESTÁ ENTRE 0.1 E 1.0 //
if (double.TryParse(txtTaxaAprende.Text, out taxaAprendizagem) &&
Convert.ToDouble(txtTaxaAprende.Text) > 0.1 && Convert.ToDouble(txtTaxaAprende.Text) <= 1)
{
taxaAprendizagem = Convert.ToDouble(txtTaxaAprende.Text);
// RECEBE NOME DO ARQUIVO PARA CARREGAR NA MATRIZ //
if (openFileAmostras.ShowDialog() == DialogResult.OK)
{
try
{
StreamReader arqStream = new StreamReader(openFileAmostras.OpenFile());
if (arqStream != null)
{
using (arqStream)
{
string sLine = "";
numLinhasArquivo = 0;
numColunasArquivo = 0;
txtArquivoTreina.Text = openFileAmostras.FileName;
ArrayList arrText = new ArrayList();
// LÊ O ARQUIVO DE DADOS //
while (sLine != null)
{
sLine = arqStream.ReadLine();
if (sLine != null)
{
arrText.Add(sLine);
numLinhasArquivo++;
}
}
arqStream.Close();
// TRANSFORMAR O ARRAY LIST EM UMA MATRIZ //
String[] linha = arrText[0].ToString().Split(',');
numColunasArquivo = linha.Length;
matrizTreinamento = new String[numLinhasArquivo, numColunasArquivo];
for (Int32 i = 0; i < numLinhasArquivo; i++)
{
linha = arrText[i].ToString().Split(',');
for (Int32 j = 0; j < linha.Length; j++)
{
matrizTreinamento[i, j] = linha[j];
}
}
NormalizaTreinamento();
// CONSTROI COLUNAS DO DATA GRID //
for (Int32 i = 0; i < numColunasArquivo; i++)
{
dgvTreinamento.Columns.Add(matrizTreinamento[0, i], matrizTreinamento[0, i]);
}
// ALOCA VALORES NAS LINHAS DO DATA GRID //
for (Int32 i = 1; i < numLinhasArquivo; i++)
{
dgvTreinamento.Rows.Add();
for (Int32 j = 0; j < numColunasArquivo; j++)
{
dgvTreinamento[j, i - 1].Value = matrizTreinamento[i, j];
}
//dgvTreinamento.Rows.Add(arrText[i].ToString().Split(','));
}
// DEFINIR NEURONIOS ENTRADA, OCULTOS, SAIDA //
String Classes = "";
numNeurosEntrada = (numColunasArquivo - 1);
// Conta quantas saidas existem na matriz, Ex: 1,2,3,4,5 //
for (Int32 i = 1; i < numLinhasArquivo; i++)
{
if (!Classes.Contains(matrizTreinamento[i, (numColunasArquivo - 1)]))
{
Classes = Classes + matrizTreinamento[i, (numColunasArquivo - 1)] + "|";
}
}
vetorSaidas = Classes.Split('|');
numNeurosSaida = (vetorSaidas.Length - 1);
numNeurosOculta = ((numNeurosEntrada + numNeurosSaida) / 2);
matrizDesejado = new String[numNeurosSaida, numNeurosSaida];
for (Int32 i = 0; i < numNeurosSaida; i++)
{
for (Int32 j = 0; j < numNeurosSaida; j++)
{
matrizDesejado[i, j] = (i == j) ? "1" : "0";
}
}
txtNeuroEntrada.Text = numNeurosEntrada.ToString();
txtNeuroOculto.Text = numNeurosOculta.ToString();
txtNeuroSaida.Text = numNeurosSaida.ToString();
// FIM NEURONIOS //
// DEFINE FUNÇÃO DE TREINAMENTO //
if (rdbLinear.Checked)
{
funcaoTreinamento = "linear";
}
else
if (rdbLogistica.Checked)
{
funcaoTreinamento = "logistica";
}
else
{
funcaoTreinamento = "hiperbolica";
}
// CRIA NEURONIOS //
neurosEntrada = new Neuronio[numNeurosEntrada];
neurosOcultos = new Neuronio[numNeurosOculta];
neurosSaidas = new Neuronio[numNeurosSaida];
// Cria ligações dos neuronios entrada com neuronios ocultos //
for (Int32 i = 0; i < numNeurosEntrada; i++)
{
neurosEntrada[i] = new Neuronio(numNeurosOculta);
}
// Cria ligações dos neuronios ocultos com neironios saida //
for (Int32 i = 0; i < numNeurosOculta; i++)
{
neurosOcultos[i] = new Neuronio(numNeurosSaida);
}
for (Int32 i = 0; i < numNeurosSaida; i++)
{
neurosSaidas[i] = new Neuronio(1);
}
// FIM NEURONIOS //
// GERA PESOS INICIAIS COM RANDON//
Random rnd = new Random();
// Gerar pesos para conexão de entrada e oculta //
for (Int32 i = 0; i < numNeurosEntrada; i++)
{
for (Int32 j = 0; j < numNeurosOculta; j++)
{
Double valor = (rnd.NextDouble() * 2.0) - 1;
neurosEntrada[i].setW(j, valor);
}
}
// Gerar pesos para conexão de oculta e saida //
for (Int32 i = 0; i < numNeurosOculta; i++)
{
for (Int32 j = 0; j < numNeurosSaida; j++)
{
Double valor = (rnd.NextDouble() * 2.0) - 1;
neurosOcultos[i].setW(j, valor);
}
}
// FIM GERAR PESOS//
}
}
}
catch (Exception ex)
{
MessageBox.Show("Erro ao acessar arquivo de amostas. " + ex.ToString());
}
}
}
else
{
MessageBox.Show("Taxa de aprendizagem inválida, deve estar entre 0,1 e 1,0", "Taxa de Aprendizagem");
}
}
else
{
MessageBox.Show("O número de iterações é inválido ou menor que 100.", "Número de Iterações");
}
}
