BP算法和C + +

在同伴的建議的形式編碼，我第三百九十這個問題在這裡。

我似乎從未得到反向傳播權，每一次我請求幫助，似乎沒有人能夠回答，或者他們的建議不解決問題。 所以，我想我可能會尋求幫助，從一個不同的問題-我的課沒有backprop算法。
誰能告訴我程序backpropagating的基礎上，源頭以下？ 我只是需要知道如何BP算法將努力為我的班級設置（我一直試圖讓該死的東西現在2年-顯然，我使用了錯誤的方法）。

＃包括：
＃包括：
＃包括：

類神經元
（
市民：
浮動**輸入;
浮動*重量;
無符號numInputs;
浮動輸出;
浮動假; / /返回的錯誤引用

神經元（無符號input_numInputs）;
神經元（）;
無效重建（符號input_numInputs）;
〜神經元（）;
無效setInput（元安貿易，符號inputIndex）;
無效setInput（浮動＆floatInput，符號inputIndex）;
浮動＆getInput（符號inputIndex）;
無效recalc（）;
無效setWeight（符號inputIndex，浮點值）;
）;

類neuralNetwork
（
市民：
無符號numInputLayer;
無符號numHiddenLayer;
無符號numInputs;
浮動*輸入;
神經元* inputLayer;
神經元* hiddenLayer;
神經元outputLayer;

neuralNetwork（符號input_numInputs，符號input_numInputLayer，符號input_numHiddenLayer）;
〜neuralNetwork（）;
）;

異或浮動（浮動輸入1，浮動input2，浮動biasLower = 0.0f，浮動biasUpper = 1.0f）;

無效神經元：：setWeight（符號inputIndex，浮點數）
（
如果（inputIndex“= numInputs）
返回;
重量[inputIndex] =值;
）
無效神經元：：recalc（）
（
如果（numInputs“= 0）
返回;
浮動weightedInput = 0.0f;
對（無符號= 0;我= numInputs）
返回;
其他的
輸入[inputIndex] = &floatInput;
）
浮動與神經元：：getInput（無符號inputIndex）
（
如果（inputIndex“= numInputs）
返回（假）;
其他的
返回（輸入[inputIndex] [0]）;
）
神經元：：神經元（）
（
numInputs = 0;
）
神經元：：神經元（無符號input_numInputs）
（
numInputs = 0;
重建（input_numInputs）;
）
無效神經元：：重建（無符號input_numInputs）
（
如果（numInputs“0）
（
刪除[]的投入;
刪除[]重量;
）
numInputs = input_numInputs;
輸入=新的浮動* [numInputs];
重量=新的浮動[numInputs];
）
神經元：：〜神經元（）
（
如果（numInputs“= 0）
（
刪除輸入;
刪除重量;
）
）
無效神經元：：setInput（元安貿易，符號inputIndex）
（
如果（inputIndex“= numInputs）
返回;
輸入[inputIndex] =＆n.output;
）

neuralNetwork：：neuralNetwork（符號input_numInputs，符號input_numInputLayer，符號input_numHiddenLayer）
（
未簽名的我，焦耳;
numInputs = input_numInputs;
numHiddenLayer = input_numHiddenLayer;
numInputLayer = input_numInputLayer;
輸入=新的浮動[numInputs];
inputLayer =新的神經元[numInputLayer];

hiddenLayer =新的神經元[numHiddenLayer];
outputLayer.rebuild（numHiddenLayer）;
為（1 = 0;“numHiddenLayer，我+ +）
（
hiddenLayer [一]。重建（numInputLayer）;
outputLayer.setInput（hiddenLayer [一]，1）;
）
為（1 = 0;“numInputLayer，我+ +）
（
inputLayer [一]。重建（numInputs）;
為（十= 0; ĵ“numHiddenLayer; ĵ + +）
hiddenLayer研究[J]。setInput（inputLayer [一]，1）;
）
為（1 = 0;“numInputs，我+ +）
為（十= 0; ĵ 0）
刪除輸入;
如果（numInputLayer“0）
刪除[] inputLayer;
如果（numHiddenLayer“0）
刪除[] hiddenLayer;

）

異或浮動（浮動輸入1，浮動input2，biasLower浮動，浮動biasUpper）
（
浮動correctedInput1，correctedInput2;
如果（輸入1“（（biasLower + biasUpper）/ 2.0f））
correctedInput1 = biasLower;
其他的
correctedInput1 = biasUpper;
如果（input2“（（biasLower + biasUpper）/ 2.0f））
correctedInput2 = biasLower;
其他的
correctedInput2 = biasUpper;
如果（correctedInput1 == correctedInput2）
（
返回（biasLower）;
）
其他的
（
返回（biasUpper）;
）
）

廉政主體（廉政argc，燒焦* argv []）
（
neuralNetwork神經網絡（2,2,1）;
法院“”“”好吧！“”endl;
參考getch（）;
返回0;
）

-碰撞矩陣

後續：以下是我使用反向傳播代碼（其中，btw，不工作）。

無效neuralNetwork：：backpropagate（浮動目標）
（
如果（numInputs == 0 | | numInputLayer == 0 | | numHiddenLayer == 0）
返回;
浮動deltaOutput;
浮動* deltaHidden =新的浮動[numHiddenLayer];
未簽名的我，焦耳;
/ *
請注意，有兩個輸出用在這裡：
1）的輸出電流層決定了三角洲的價值，
2）的輸出神經元連接到輸入當前使用的神經元
調整的重量。
* /
/ /你的第一個輸出層
deltaOutput =（目標- outputLayer.output）* outputLayer.output *（1.0f - outputLayer.output）;
為（1 = 0;“numHiddenLayer，我+ +）
outputLayer.weight [一] + = learnRate * deltaOutput * hiddenLayer [一]。輸出;
/ /現在做的隱層
為（十= 0; ĵ“numHiddenLayer; ĵ + +）
（
deltaHidden研究[J] = outputLayer.weight研究[J] * deltaOutput *
hiddenLayer研究[J]。輸出*（1.0f - hiddenLayer研究[J]。輸出）;
為（1 = 0;“numInputLayer，我+ +）
（
hiddenLayer研究[J]。重量[一] + = deltaHidden研究[J] * learnRate * inputLayer [一]。輸出;
）
）
）

就是我和運行如下：

未簽名的我，J型，K;
neuralNetwork神經網絡（2,2,1）;
為（金= 0;畝“100000;鉀+）
（
為（1 = 0;“2，我+ +）
為（十= 0; ĵ“2; ĵ + +）
（
nn.input [0] =（浮動）我;
nn.input [1] =（浮動）焦耳;
nn.recalc（）;
nn.backpropagate（異或（（浮動）一，（浮動）j）條）;
如果（金== 0 | |畝== 99999）
（
nn.recalc（）;
法院“”i“”“異”，“”ĵ“”“”nn.outputLayer.output“”“應為”“”異或（（浮動）一，（浮動）j）條“”endl;
）
）
如果（金== 0 | |畝== 99999）
法院“”endl;
）

我知道，我沒有設置限它的精度。 但是，從來沒有提出任何產出比接近0.4出1.0（低，高為0.0和1.0分別產出從來沒有到外面的0.45和0.55）。 輸出應該走向1.0和0.0（明顯），但他們沒有。
任何想法有什麼不對？

對不起，我其實是有一個變化，使隱藏的重量調整並不總是完全一樣，
（這將是就像只有一個隱藏的重量）
所以我也發生了變化
hiddenLayer研究[J]。setInput（inputLayer [一]，1）;
至
（
hiddenLayer研究[J]。setInput（inputLayer [一]，1）;
hiddenLayer研究[J]。setWeight（一，2.0 *蘭特（）/ RAND_MAX - 1）;
）