public void Initialize(int NbInputs)
{
nbOfInputs = NbInputs;
Neurons.Clear();
for (var i = 0; i < nbOfNeurons; i++)
{
var Node = new NNNeuron();
Node.Initialize(nbOfInputs);
Neurons.Add(Node);
}
}
private int BackwardPropagateError(NNNeuralNetwork nn, double[] expected)
{
if (nn.nbOfOutputs == expected.Length)
{
// Parcours inverse des layers
for (int i = nn.nbOfHiddenLayers; i >= 0; i--)
{
NNLayer Layer = nn.Layers[i];
double[] errors = new double[Layer.nbOfNeurons];
// Si ce n'est pas le dernier layer
if (i != nn.nbOfHiddenLayers)
{
// Parcours des neurones du layer courant
// Calcul de l'erreur
for (int j = 0; j < Layer.nbOfNeurons; j++)
{
var error = 0.0;
// Parcours des neurones du layers précédent
nn.Layers[i + 1].Neurons.ForEach(Neuron => {
error += Neuron.weights[j] * Neuron.delta;
});
errors[i] = error;
}
}
// Si c'est le dernier layer
else
{
// Parcours des neurones du layer courant
// Calcul de l'erreur
for (int j = 0; j < Layer.nbOfNeurons; j++)
{
errors[j] = (expected[j] - Layer.Neurons[j].output);
}
}
// Parcours des neurones du layer courant
// Calcul de delta
for (int j = 0; j < Layer.nbOfNeurons; j++)
{
NNNeuron Neuron = Layer.Neurons[j];
Neuron.delta = errors[j] * NNNeuron.TransfertDerivative(Neuron.output);
}
}
return(0);
}
else
{
return(1);
}
}
