智能计算第一次作业hs.doc

智能计算第一次作业 数学科学学院 计算0804 黄爽 200811130 感知器线性可分与不可分以及收敛性的讨论 问题描述： 由感知器的输入/输出的关系可知，感知器的输出只有1或0两个状态，其他值由W*P+b的值大于、等于或小于零来确定。当网络权值W和b确定后，在由各输入矢量Pj(j=1,2,…..,r)为坐标轴所组成的输入矢量空间里，可以画出W*P+b=0的轨迹，对于任意给定的一组输入矢量P，当通过感知器网络的权值W和b的作用，活落在输入空间W*P+b=0的轨迹上或落在上部或下部。为此，感知器能够线性的将输入矢量进行分类，如果用一条直线或者一个平面把一组输入的矢量正确的划分期望的类别，则称该输入的矢量是线性可分的。单层感知器对线性可分和不可分有很好的效果。 二：算法理论： 感知器是最早的人工神经网络模型。感知器对单个神经元建模，如果输入的加权和大于某个可调整的阈值就输出1则输出0，此即文提到的生物脉冲。图四中，输入信号(x1,x2,x3..xm)和联接权值(w1,w2,w3..wm)通常是实数值，可正可负。若xi趋向于使感知器激活，则权值wi为正值，反之为负值。感知器本身由权值，加法器，激活函数以及可调阈值（以下称?偏置）组成。通常为了方便起见，将偏置也作为一个输入信号单层神经网络（感知器网络）的输出单元是相互独立的-每个权值仅影响一个输出。感知器网络能用来解决线性分类问题。p=[4 -0.5 0.5 1 1.5 1 0.5 2 2.5 -0.3;1 -1 0.5 -1 -1.5 0.5 2 1.5 1 3]; t=[0 1 1 1 1 1 0 0 0 0]; %在坐标图上绘出样本点 plotpv(p,t); %建立一个感知器网络 net=newp([-1,1;-1,1],1); P = [4 -0.5 0.5 1 1.5 1 0.5 2 2.5 -0.3;1 -1 0.5 -1 -1.5 0.5 2 1.5 1 3]; T = [0 1 1 1 1 1 0 0 0 0]; % 初始化 A = sim(net,P) % 训练前的网络输出 net.trainParam.epochs = 20; % 定义最大循环次数 net = train(net,P,T); % 训练网络，使输出和期望相同 net.iw{1,1} % 输出训练后的网络权值 net.b{1} % 输出训练后的网络偏差 A = sim(net,P) % 训练后的网络输出 handle=plotpc(net.iw{1},net.b{1}); %利用样本点训练网络并绘出得到的分类线 E=1; while(sse(E)); [net,Y,E]=adapt(net,p,t); handle=plotpc(net.iw{1},net.b{1},handle); end; %选择10个点来测试网络 testpoints=[4 -0.5 0.5 1 1.5 1 0.5 2 2.5 -0.3;1 -1 0.5 -1 -1.5 0.5 2 1.5 1 3]; a=sim(net,testpoints); %在坐标图上绘出网络的分类结果及分类线 figure; plotpv(testpoints,a); plotpc(net.iw{1},net.b{1},handle); 运行后的程序： p=[-0.5 -0.5 0.5 1 1.5 1 0.5 2 2.5 3;1 -1 0.5 -1 -1.5 0.5 2 1.5 1 0.5]; t=[1 1 1 1 1 1 0 0 0 0]; %在坐标图上绘出样本点 plotpv(p,t); %建立一个感知器网络 net=newp([-1,1;-1,1],1); P = [-0.5 -0.5 0.5 1 1.5 1 0.5 2 2.5 3;1 -1 0.5 -1 -1.5 0.5 2 1.5 1 0.5]; T = [1 1 1 1 1 1 0 0 0 0]; % 初始化 A = sim(net,P)