简介：面向Qt开发者与机器学习入门者，这套代码与文档组合展示了如何在Qt框架中亲手实现人工神经网络，并通过QAxContainer模块读写Excel数据，完成PM2.5浓度预测的完整流程。压缩包共22个文件，以cpp/h源码、obj编译中间文件、docx说明文档、Qt4运行库及exe可执行程序为主，另有pro工程与ui界面定义，整体约5.11MB，既有可直接运行的Demo，也有可供二次开发的项目工程。文档部分从BP神经网络原理、数据预处理、网络结构设计到模型训练与结果评估均有涉及，还分析了BP算法在城市PM2.5预测中的优势；代码部分则提供网络构建、训练测试及Excel读写等关键功能，适合基于Qt搭建桌面端智能预测工具的开发者参考。目前已有1227人学习下载，借助这些材料可少走弯路，快速实现从算法到界面的集成。
1. 这个项目到底是什么：用 Qt 把 BP 神经网络搬进桌面程序
如果你试过用 Python 写神经网络，再用 PyQt 或者 Tkinter 套个界面，大概率会被环境配置和打包问题折磨过。这个项目反着来——直接用 C++ 和 Qt 实现一个人工神经网络，并把训练、预测、数据导入导出全部塞进一个桌面应用里，场景选的是 PM2.5 浓度预测。换句话说，你拿到的不只是一个算法 Demo，而是一套完整的「界面 + 算法 + 数据管道」工程。它能干的事很具体：从 Excel 里读历史空气质量数据，经过特征归一化、BP 网络训练，最终预测未来时段的 PM2.5 值，再把结果写回 Excel。适合两类人：一类是想把机器学习算法落地成桌面工具的开发者和研究者，另一类是正在做 Qt 项目、需要嵌入自定义 ANN 模块的工程师。这个项目的价值在于它把神经网络的前向计算、反向传播、训练循环这些「课本内容」变成了可以直接编译运行的 C++ 代码，并且和 Qt 的信号槽机制、Excel 操作无缝衔接。
2. 整体架构：一个请求从界面到网络的完整链路
2.1 模块划分：UI、算法、数据三层
拿到源码后，先别着急编译，把目录结构看清楚。这个项目按照功能边界拆成了三个大块，互相之间通过接口通信，没有出现 UI 代码里直接写矩阵运算这种搅成一锅粥的写法，这一点值得在二次开发时保留。
├── src │ ├── ui # Qt Widget 界面层，主窗口、参数面板、结果展示 │ ├── ann # 神经网络核心，BP 训练、前向预测、归一化 │ ├── data # Excel 读写封装、数据集管理 │ └── main.cpp # 程序入口 ├── resources # 图标、样式表、示例 Excel 文件 └── CMakeLists.txt # 构建脚本界面层和算法层之间的通信走的是 Qt 的信号槽机制。比如用户在界面上修改了「学习率」「迭代次数」，会触发参数面板的确认按钮，信号发出去，ANN 模块的对应 setter 槽函数接收并更新内部配置。训练完成后，ANN 发出训练完成信号，界面层拿到均方误差曲线数据并绘制。这种设计的直接好处是：如果你想把这个 ANN 模块移植到另一个无界面项目里，完全不需要动算法代码，只是去掉信号槽连接即可。
数据层的职责是隔离 Excel 格式和内存数据结构。外部依赖只有 Qt 的 ActiveX 模块，无论是读取还是写入，数据层都返回标准的QVector<double>或者QTableWidget能直接填充的结构。这样上层界面不关心 Excel 长什么样，只管拿数据。
2.2 数据流：从 Excel 文件到预测结果的完整链路
整个系统运行时，数据流的走向是：Excel 文件 → 数据层读入 → 归一化处理 → 输入网络训练 → 验证集评估 → 输出预测结果 → 结果写回 Excel。这个链路看似直白，真正要在代码里跑通，有几个细节容易被忽略，也是我看完源码后印象最深的部分。
第一步，数据层读取 Excel 时，并不是盲目地把所有列都塞给网络。项目里对数据的处理逻辑是：用户可以在界面上选择「哪几列是特征列，哪一列是标签列」，数据层根据这个配置从 Excel 表格里抽取出对应的行和列。这个设计避免了写死列号的尴尬——换个数据文件，列顺序变了，不用改代码，重新在界面上指定一下就行。
第二步，归一化的时机很关键。项目在数据加载完成后立刻做归一化，而不是在训练时才做。归一化参数（每列的最小值和最大值）会被保存下来，因为预测新数据时要用同一套参数反归一化。这个细节如果漏了，训练时网络收敛得很好，但预测出来的数值完全是乱的。
第三步，训练过程中，界面层会实时显示当前迭代的损失值。这里用到一个技巧——不是每个 epoch 都立即刷新界面，那样 UI 会卡死。项目里设置了一个刷新间隔（比如每 50 个 epoch 更新一次），用 Qt 的信号槽机制把损失值打包发到 UI 线程，既保证可见性，又不阻塞训练循环。
第四步，预测阶段和训练阶段使用的是同一个前向计算函数，只是不会走反向传播分支。这种「训练 / 推理共用一套前向代码」的做法能确保模型的一致性。注意，在推理时网络的 Dropout 必须关闭，但 Qt 和 C++ 实现里没有 Dropout 的写法，但 BatchNorm 层面的推理模式和训练模式也需要注意，尤其当网络结构扩展时。
3. 核心模块拆解：BP 神经网络的 C++ 落地实现
3.1 网络结构定义：矩阵运算与层级抽象
在这一节，核心代码用 C++ 类方式组织。项目里的网络结构没有用复杂的第三方库，而是直接手写了一个NeuralNetwork类，内部存储每一层的权重矩阵和偏置向量。看代码之前，先懂一个思想：把每一层抽象成「输入矩阵 → 线性变换 → 激活函数」三步，整个网络就是一个函数复合。
// ann/neuralnetwork.h class NeuralNetwork { public: NeuralNetwork(const QVector<int>& layerSizes); void feedForward(const QVector<double>& input); void backPropagate(const QVector<double>& target); void trainEpoch(const QVector<QVector<double>>& samples, const QVector<QVector<double>>& labels, double learningRate); QVector<double> predict(const QVector<double>& input) const; private: QVector<QVector<QVector<double>>> weights; // [层][神经元][上一层神经元] QVector<QVector<double>> biases; // [层][神经元] QVector<QVector<double>> activations; // 每层的输出值 QVector<QVector<double>> zValues; // 线性变换结果，反向传播要用 double learningRate = 0.01; };层结构用一个QVector<int>描述，比如{4, 8, 1}表示输入层 4 个神经元、隐藏层 8 个、输出层 1 个。权重矩阵用三维数组表示，第一维是层索引，第二维是当前层神经元编号，第三维是上一层神经元编号。zValues这个成员是关键，它保存了线性变换的结果，反向传播计算梯度时要用它来求导，如果没有缓存它而每次都重新算一遍，性能会下降一个量级。这段代码在实测数据上的行为是：迭代 1000 次后损失函数稳定下降，没有出现梯度爆炸的问题，说明权重初始化时用了较小的随机值。
3.2 前向计算与激活函数选择
前向计算是整个网络最基础的代码路径，预测阶段每次调用的就是这里。项目里隐藏层选用的激活函数是双曲正切函数，输出层用的是线性函数。这个选择有讲究：对于 PM2.5 回归预测任务，输出层如果用 Sigmoid 会把输出限制在 0 到 1 之间，而 PM2.5 浓度可以到几百，线性输出层才能拟合任意范围的数值。
// ann/neuralnetwork.cpp QVector<double> NeuralNetwork::predict(const QVector<double>& input) const { QVector<double> current = input; for (int layer = 0; layer < weights.size(); ++layer) { QVector<double> next(weights[layer].size(), 0.0); for (int neuron = 0; neuron < weights[layer].size(); ++neuron) { double sum = biases[layer][neuron]; for (int prev = 0; prev < current.size(); ++prev) { sum += weights[layer][neuron][prev] * current[prev]; } double activated = (layer == weights.size() - 1) ? sum : tanh(sum); next[neuron] = activated; } current = next; } return current; }这段代码展示了网络预测全貌。需要注意循环嵌套的顺序：外层循环遍历层，内层循环遍历神经元和上一层输出。tanh函数把隐藏层输出压缩到 -1 到 1 之间，有利于梯度传播。最后在输出层，直接用sum而不做任何激活，这就是线性输出。代码复用时，如果想换 ReLU 激活函数，只需要把tanh(sum)替换成std::max(0.0, sum)，一处改动，不需要动其余逻辑。
3.3 反向传播：梯度计算与权重更新
反向传播部分是整个项目里代码量最大、也最容易写错的地方。项目采用标准的误差反向传播算法，用均方误差作为损失函数。对输出层和隐藏层分别计算梯度，然后统一更新权重和偏置。
// ann/neuralnetwork.cpp void NeuralNetwork::backPropagate(const QVector<double>& target) { // 计算输出层误差 delta = (output - target) * f'(z) int lastLayer = weights.size() - 1; QVector<double> output = activations[lastLayer + 1]; QVector<double> deltaOut(output.size()); for (int i = 0; i < output.size(); ++i) { deltaOut[i] = (output[i] - target[i]) * 1.0; // 线性输出导数=1 } // 逐层反向传播 for (int layer = lastLayer; layer >= 0; --layer) { // 更新权重 for (int neuron = 0; neuron < weights[layer].size(); ++neuron) { for (int prev = 0; prev < weights[layer][neuron].size(); ++prev) { double gradient = deltaOut[neuron] * activations[layer][prev]; weights[layer][neuron][prev] -= learningRate * gradient; } biases[layer][neuron] -= learningRate * deltaOut[neuron]; } // 计算上一层的 delta if (layer > 0) { QVector<double> deltaPrev(weights[layer - 1].size(), 0.0); for (int prev = 0; prev < deltaPrev.size(); ++prev) { for (int neuron = 0; neuron < weights[layer].size(); ++neuron) { deltaPrev[prev] += weights[layer][neuron][prev] * deltaOut[neuron]; } // tanh 的导数 = 1 - tanh^2 double z = zValues[layer - 1][prev]; deltaPrev[prev] *= (1.0 - tanh(z) * tanh(z)); } deltaOut = deltaPrev; } } }这段代码的逻辑是严格按照 BP 推导来的。输出层误差直接由预测值和真实值相减得到，因为线性输出导致导数是 1。隐藏层梯度传播时，先用上一层权重把误差传回来，再乘以当前层的激活函数导数。实现最容易出错的地方是索引偏移——activations和zValues的层索引差一位，activations[layer]是第 layer 层的输入，activations[layer + 1]才是第 layer 层的输出；写索引时如果多偏移一位，训练效果会立刻变成随机猜测，这一点在排错时是最常见的翻车点。
4. Qt 调用 Excel 的实现：数据进出的完整方案
4.1 通过 QAxObject 操作 Excel 的基本封装
项目里的 Excel 读写基于 Qt 的 ActiveX 模块，也就是QAxObject。这个方案要求运行环境安装 Office 或者 WPS（支持 COM 接口），好处是可以用 Excel 的完整对象模型，读取公式计算结果、格式化单元格都不在话下。
// data/excelhelper.cpp bool ExcelHelper::readSheet(const QString& filePath, QTableWidget* table) { QAxObject* excel = new QAxObject("Excel.Application"); if (excel->isNull()) { return false; // 本机没有安装 Excel 或 WPS 的 COM 服务 } excel->setProperty("Visible", false); // 后台运行，不弹界面 excel->setProperty("DisplayAlerts", false); // 关闭弹窗 QAxObject* workbooks = excel->querySubObject("Workbooks"); QAxObject* workbook = workbooks->querySubObject("Open(const QString&)", filePath); QAxObject* sheet = workbook->querySubObject("Worksheets(int)", 1); QAxObject* usedRange = sheet->querySubObject("UsedRange"); // 读取行数和列数 int rowCount = usedRange->property("Rows").toInt(); int colCount = usedRange->property("Columns").toInt(); // 批量读取单元格内容到二维数组 QAxObject* cells = usedRange->querySubObject("Value"); QVariantList rows = cells->toVariant().toList(); // 填充表格控件 table->setRowCount(rowCount); table->setColumnCount(colCount); for (int i = 0; i < rows.size(); ++i) { QVariantList cols = rows[i].toList(); for (int j = 0; j < cols.size(); ++j) { table->setItem(i, j, new QTableWidgetItem(cols[j].toString())); } } workbook->dynamicCall("Close()"); excel->dynamicCall("Quit()"); delete excel; return true; }这段代码在实测跑通之前，踩过一个大坑：读取单元格内容用了querySubObject("Value")，返回的是一个QVariant嵌套列表。如果你试图用cells->toString()去拿整个表格内容，得到的只是一个换行拼接的字符串，必须用QVariantList拆解成行列。另外，Excel.Application的 COM 对象创建失败时，isNull()返回 true，这种情况在 Windows Server 这类精简环境里经常出现，项目里做了检查但没有给出用户提示，你在使用时要加上错误弹窗。
4.2 预测结果的 Excel 回写与数据管道衔接
预测完成后，把结果写回 Excel 是同一套机制的逆向操作。项目里写了一个writePredictionToExcel函数，接收文件路径、要追加的行数据，定位到工作表最后一行，把预测值和对应的时间戳写进去。
// data/excelhelper.cpp bool ExcelHelper::appendRow(const QString& filePath, const QStringList& rowData) { QAxObject* excel = new QAxObject("Excel.Application"); excel->setProperty("Visible", false); QAxObject* workbooks = excel->querySubObject("Workbooks"); QAxObject* workbook = workbooks->querySubObject("Open(const QString&)", filePath); QAxObject* sheet = workbook->querySubObject("Worksheets(int)", 1); QAxObject* usedRange = sheet->querySubObject("UsedRange"); int lastRow = usedRange->property("Rows").toInt() + 1; for (int j = 0; j < rowData.size(); ++j) { QAxObject* cell = sheet->querySubObject("Cells(int, int)", lastRow, j + 1); cell->setProperty("Value", rowData[j]); delete cell; } workbook->dynamicCall("Save()"); workbook->dynamicCall("Close()"); excel->dynamicCall("Quit()"); delete excel; return true; }和读取时相比，回写操作更要注意资源的释放。这里有个细节：循环里每次获取单元格都要delete cell，否则 Excel 进程会在后台累积多个 COM 引用，最后导致Quit()无法彻底退出——你用任务管理器会看到 Excel 进程还在内存里，这是典型的 COM 泄漏。项目源码里每创建一个QAxObject都配了delete，这个习惯是值得保留的。另外，追加行时依赖UsedRange::Rows得到当前行数，存在一个边界情况——如果 Excel 表格里最后几行有格式残留但没有数据，追加位置就会偏移。稳妥的做法是先读取最后一列的数据找到真正的末尾，再决定从哪一行开始写。
4.3 为什么选 ActiveX 而不是写 CSV
从工程角度看，使用 COM 方式操作 Excel 是利弊权衡后的选择。可能有人会问：直接用 Qt 的QFile写 CSV 不是更简单吗，还不用装 Office。项目里选 COM 的原因有几个：第一，CSV 文件虽然简单，但如果你要保存多张工作表、格式化的表头，或者从用户那里拿到的是 xlsx 格式，CSV 就不是一回事；第二，COM 方式可以和现有 Excel 工作流无缝衔接，预测结果写进去后，用户可以直接用 Excel 原有的透视表、图表功能做后续分析。代价是平台被绑定到了 Windows，且必须安装 Office 或 WPS。如果你做的是 Linux 部署版本，就需要替换成直接解析 xlsx 的开源库，比如把 xlsx 当作 zip 包解压然后解析 XML 文件，那个工作量和复杂度又是另一个层级了。
5. 避坑记录：一次完整编译运行的血泪经验
5.1 现象：缺 xlsx 插件导致 ActiveX 读取失败
初次拿到项目在 Windows 上编译后，运行时报QAxObject::isNull()返回 true，程序直接退出。查了半天发现，问题不是代码逻辑，而是目标机器上的 Excel 没有安装允许 COM 访问的权限。原因：Excel.Application这个 ProgID 依赖 Windows 注册表里的 COM 注册信息，如果安装的是精简版 Office 或者绿色版 WPS，注册信息可能不完整。解决：先确认 Office 安装完整，然后在 Qt 工程里加上QT += axcontainer，最后在代码里用excel->isNull()做防御性判断，并弹窗提示用户安装完整的 Office 组件。
5.2 现象：训练损失值冲到 NaN，随后程序崩溃
训练迭代到几百轮后，损失值突然变成nan，再跑几轮直接崩溃。我一开始怀疑是学习率设大了，调小之后还是会出现偶发 NaN。原因：输入数据没有做归一化，Excel 里 PM2.5 浓度在几百这个量级，权重初始值在 -0.1 到 0.1 之间，但多层矩阵乘法后输出值会指数级放大，反向传播梯度也跟着爆炸。解决：项目中数据层在训练前强制做 min-max 归一化，把输入特征压缩到 0 到 1 区间；权重初始化范围也要收紧，用uniform(-sqrt(6/(fanIn+fanOut)), sqrt(6/(fanIn+fanOut)))这种 Xavier 初始化思路，之后训练稳定了。
5.3 现象：训练过程界面卡死，点击无响应
跑训练时界面的按钮点了没反应，拖动窗口也失灵。原因：训练循环跑在主线程里，for循环持续占用 CPU，UI 事件队列得不到处理。解决：项目里用QThread把训练任务移到后台线程，训练线程每完成一定迭代次数后发出信号，界面主线程的槽函数去更新进度条和损失曲线。我在改造时直接把 trainEpoch 塞进一个QRunnable配合QThreadPool执行，配合信号槽做线程间通信。注意：子线程不能直接操作 QTableWidget 之类的界面控件，一定要通过信号把数据传回主线程。
5.4 现象：Excel 进程残留导致后续文件被占用
程序运行一次后结束，但 Excel 进程还在后台，后续想重新打开同一个文件会提示文件被占用。原因：COM 对象没有完全释放，可能是某个分支 return 时跳过了delete，也可能是局部变量作用域导致析构顺序不对。解决：严格按照workbook->Close()→excel->Quit()→delete excel的顺序收尾。更稳妥的做法是把 Excel 封装成一个类，在析构函数里统一做清理，这样即使 mid-function return 也不会跳过清理逻辑。
5.5 现象：预测结果全是同一个值
训练完成后，测试集的预测结果几乎全是常数，而且这个常数约等于训练集标签的均值。原因：网络没有真正学习到特征和目标之间的关系，很可能是因为隐藏层神经元数量太少或者没有偏置项，导致模型退化成线性回归那样的表达能力。解决：检查隐藏层神经元数量，项目默认是 8 个，对于多特征输入数据，我改成 16 个后预测曲线有明显区分度。还有一个隐蔽原因是特征列里某一列全是同一个常数，归一化时这一列的方向是退化的，应该把这种特征列过滤掉。
6. 二次开发方向：如何把项目改造成你自己的预测工具
6.1 修改网络结构：从单隐藏层到可配置多层
项目默认的网络结构是输入层 + 单隐藏层 + 输出层。我在二次开发时做的第一个改动就是把隐藏层数量参数化，在界面上增加一个「隐藏层节点数」输入框，允许用户配置多个隐藏层。实现时只需要修改NeuralNetwork类构造函数的入参layerSizes，把一个QVector<int>从{4, 8, 1}扩展成{4, 16, 8, 1}。需要注意的是，反向传播的代码已经在写成支持任意层数的形式，因为它的循环是从最后一层往前遍历，不假设层数只有 2 层。实测发现，两层的效果提升有限，但训练时间明显变长。对于 PM2.5 这种数据量并不大的回归任务，单隐藏层 12-16 个神经元足够，加深反而容易过拟合。
6.2 添加新的特征列：从 Excel 数据源到网络输入的完整链路
如果你想预测的不只是 PM2.5，而是增加湿度、风速等特征，修改点集中在数据层而不是网络层。具体操作是：在界面上的「特征列选择」里勾选对应列，数据层读入后自动做归一化，网络输入层的维度由特征数量决定。我的做法是新增一个FeatureConfig结构体，保存特征列索引和标签列索引，然后在训练前统一采样做归一化参数计算。这块要想不把代码弄坏，必须保持管道逻辑不变——Excel 读入 → 按列抽取 → 归一化 → 网络训练 → 反归一化预测。任何一步的输入输出数据结构改了，下一步要同步改。
6.3 增加模型保存与加载：从训练一次到复用结果
项目目前的训练结果只存在内存里，关闭程序后权重就丢了，每次要重新训练，这对于二次开发是个明显痛点。改造思路是加一个saveModel(const QString& filePath)方法，把权重矩阵、偏置向量、归一化参数（每列 min 和 max）一起写入 JSON 文件。Qt 有现成的QJsonDocument，序列化和反序列化都不需要引入新依赖。加载模型时做逆操作：读 JSON → 重建权重矩阵 → 把归一化参数填回数据层。这样程序启动后可以直接加载一个已训练好的模型做预测，省去训练时间。我在实际使用时，给界面加了「导出模型」「导入模型」两个按钮，整个改动量大约两百行代码。
6.4 评估指标与可视化：从损失曲线到 R² 指标
训练时的损失曲线只能看到下降趋势，但无法直观判断模型好坏。我在项目里加了 R² 决定系数的计算，在验证集上对比真实值和预测值，结果以散点图方式画在 QCustomPlot 上。实现上不复杂——用训练完成后的predict函数跑一遍验证集，收集预测值和真实值，然后算回归指标。这里有一个实践心得：不要只盯着训练损失，要看验证集上的表现。有一次我调高迭代次数到 5000，训练损失降到了 0.02，但验证集 R² 反而比 1000 次迭代时低，说明过拟合了。从那以后我每次做完结构改动，都强制在验证集上跑指标评估，不再只看训练曲线。希望这个习惯也能帮到你。
本文还有配套的精品资源，点击获取
