double sumDOW(Warstwa nextLayer)
{
double sum = 0.0;
// Sum our contributions of the errors at the nodes we feed.
for (int n = 0; n < nextLayer.neurony.Length - 1; ++n)
{
sum += wagi[n] * nextLayer.neurony[n].gradient;
}
return(sum);
}
public void backProp(double[] target)
{
error = 0;
//liczenie bleu na warstwie wyjsciowej
for (int i = 0; i < warstwy[warstwy.Length - 1].neurony.Length - 1; i++)
{
double delta = target[i] - warstwy[warstwy.Length - 1].neurony[i].output;
error += delta * delta;
}
error /= warstwy[warstwy.Length - 1].neurony.Length - 1;
error = Math.Sqrt(error);
//liczenie gradienta warstwy wyjsciowej
for (int n = 0; n < warstwy[warstwy.Length - 1].neurony.Length - 1; ++n)
{
warstwy[warstwy.Length - 1].neurony[n].calcOutputGradients(target[n]);
}
//liczenie gradientu poprzednich warstw
for (int layerNum = warstwy.Length - 2; layerNum > 0; --layerNum)
{
Warstwa hiddenLayer = warstwy[layerNum];
Warstwa nextLayer = warstwy[layerNum + 1];
for (int n = 0; n < hiddenLayer.neurony.Length; ++n)
{
hiddenLayer.neurony[n].calcHiddenGradients(nextLayer);
}
}
//updata wag na karzdym neuronie
for (int layerNum = warstwy.Length - 1; layerNum > 0; --layerNum)
{
Warstwa layer = warstwy[layerNum];
Warstwa prevLayer = warstwy[layerNum - 1];
for (int n = 0; n < layer.neurony.Length - 1; ++n)
{
layer.neurony[n].updateInputWeights(prevLayer, eta, alpha);
}
}
// Console.Write(error);
//Console.WriteLine("/n");
}
double alpha; // szybkosc/moment uczenia
public Siec(uint[] topologia)
{
eta = 0.15;
alpha = 0.5;
error = 0;
warstwy = new Warstwa[topologia.Length];
for (int i = 0; i < topologia.Length; i++)
{
if (i < topologia.Length - 1)
{
warstwy[i] = new Warstwa(topologia[i] + 1, topologia[i + 1] + 1);
}
else
{
warstwy[i] = new Warstwa(topologia[i] + 1, 0);
}
}
}
public void updateInputWeights(Warstwa prevLayer, double eta, double alpha)
{
// The weights to be updated are in the Connection container
// in the neurons in the preceding layer
for (int n = 0; n < prevLayer.neurony.Length; ++n)
{
Neuron neuron = prevLayer.neurony[n];
double oldDeltaWeight = neuron.delta[index];
double newDeltaWeight =
// Individual input, magnified by the gradient and train rate:
eta
* neuron.output
* gradient
// Also add momentum = a fraction of the previous delta weight;
+ alpha
* oldDeltaWeight;
neuron.delta[index] = newDeltaWeight;
neuron.wagi[index] += newDeltaWeight;
}
}
public void calcHiddenGradients(Warstwa nextLayer)
{
double dow = sumDOW(nextLayer);
gradient = dow * transferFunctionDerivative(output);
}
