第二章 感知器实现.pptVIP

6.2.2. MatLab实现 P=[-0.5 -0.5 0.3 0; -0.5 0.5 -0.5 1]; T=[1 1 0 0]; [R Q]=size(P); [S Q]=size(T); W=rands(S, R); B=rands(S, 1); max_epoch = 20; A=hardlim(netsum(W*P, B)); for epoch=1:max_epoch if all (A==T) break; end 程序 NN_0606 6.2.2. MatLab实现 % 格式: [dw db]=learnp(p1, e1)、 [dw db]=learnp(p1, a1, t1). e = T – A; [dW, dB] = learnp(P(:,1+mod(epoch-1,Q)), e(1+mod(epoch-1,Q))) W = W + dW; B = B + dB; A = hardlim(netsum(W*P, B)); end clf; plotpv(P,T); 程序 NN_0606 6.2.2. MatLab实现 % plot the deviding line/plane: W*P+b=0 if (R==2) % 二维样本绘图 x1=[-2:0.1:4]; x2=-(W(1)*x1+B)/W(2); hold on; plot(x1,x2,-b,LineWidth,2); end 程序 NN_0606 由于使用 Hard-limit函数，只能输出二值：0、1； 只能解决线性可分问题，即可用一条直线或一个平面将样本分为两类； 对于线性不可分问题，则学习将不能达到目标要求； 已经证明：对于线性可分问题，感知器总能够在有限时间内，找到一个解 {W*、b*}； 采用多个感知器，可形成多个直线组合的划分区域，从而能够对更复杂的问题进行分类。 6.2.2. MatLab实现 小 结 几个实现函数： net = newp (minmax (P), S)，S为感知器个数。 net.iw{1, 1}、net.b{1}：感知器网络的参数。 net. trainParam.epochs = 100，训练次数。 Y = sim (net, P )，网络输出。 Err = mae (Y-T)，均方误差。 plotpv(P, T)，绘制样本分布(二维情况)。 plotpc (net.iw{1, 1}, net.b{1})，绘制分界线(二维情况)。 6.2.2. MatLab实现 小 结 计算机科学学院 夏定纯 wistdcx@126.com 神经元 --- 标量样本 6.2.2. MatLab实现 神经元 --- 向量样本 6.2.2. MatLab实现 神经元 --- 向量样本 R : 输入向量p的维数。 n = w11 *p1 + w12 *p2 + ... + w1R *pR + b1*1 6.2.2. MatLab实现 = W * P + b 神经网络 --- 多个神经元 6.2.2. MatLab实现 样本P：R个分量； 神经元：S个。 1: w11 、w12 、... w1R , b1 2: w21 、w22 、... w2R , b2 ... ... S: wS1 、wS2 、... wSR, bS 6.2.2. MatLab实现 神经网络 --- 多个神经元 S个权: S?R S个阈值: S?1 6.2.2. MatLab实现 神经网络 --- 多个神经元 由于输入层的作用仅仅是输入样本，因此，有人认为不应算作一层，而将感知器网络看作是单层网络。 说 明 感知器网络 输入层: 每个样本P有R个分量，维数为: R?1; 输出层: S个神经元，权WS?R 、阈值bS?1; 二层网络: 输入层、输出层。 函数 --- f ( ? ) Transfer function Hardlim transfer function 6.2.2. MatLab实现 函数 --- f ( ? ) Transfer function 6.2.2. MatLab实现 purelin transfer function 函数 --- f ( ? ) Transfer function 6.2.2. MatLab实现 logsig transfer function 例. 感知器. (二元样本、单个感知器) 6.2.2. MatLab实现 (1). 创建单个感知器： net = newp ( [-2 2; -2 2], 1 ); 创建的单个感知器如