智能控制考试..docVIP

1.单层感知器的结构 单层感知器属于单层前向网络，即除了输入层和输出层之外只拥有一层神经元节点。 感知器（perception ）的原理相对简单，是学习其他复杂神经网络的基础 。 由单个神经元组成的单层感知器只能用来解决线性可分的二分类问题。 典型使用场景： 将其用于两类模式分类时，就相当于在高维样本空间中，用一个超平面将样本分开。Rosenblatt证明，如果两类模式线性可分，则算法一定收敛。 输入是一个N维向量 其中的每一个分量都对应于一个权值，隐含层的输出叠加为一个标量值： 随后在二值阈值元件中对得到的v值进行判断，产生二值输出: 二维空间中的超平面是一条直线。在直线下方的点，输出-1；在直线上方的点，输出1。分类面： 在实际应用中 ，通常采用纠错学习规则的学习算法。 将偏置作为一个固定输入 输入 权值 2.单层感知器的学习算法 （1）定义变量和参数。X为输入，y为实际输出，d为期望输出，b为偏置，w为权值。 （2）初始化。n=0，将权值向量 设置为随机值或全零值。 （3）激活。输入训练样本，对每个训练样本指定其期望输出 d （4）计算实际输出。 （5）更新权值向量。 （6）判断。若满足收敛条件，算法结束；若不满足，n自增1，转到第3步继续执行。 两次迭代之间的权值变化已经很小 设定最大迭代次数M，当迭代了M次 之后算法就停止迭代 误差小于某个预先设定的较小的值 确定学习率 不应当过大，以便为输入向量提供一个比较稳定的权值估计 不应当过小，以便使权值能够根据输入的向量x实时变化，体现误差对权值的修正作用 粗准焦螺旋 和细准焦螺旋的类比。——自适应学习率。 3.感知器的局限性 1. 单层感知器无法解决线性不可分问题，只能做近似分类。 2. 感知器的激活函数使用阈值函数，输出值只有两种取值，限制了在分类种类上的扩展 。 如果输入样本存在奇异样本，网络需要花费很长的时间。 感知器的学习算法只对单层有效 。 4.单层感知器应用实例 坐标点的二类模式分类问题 ：二维平面坐标系中存在一系列坐标点，已知部分坐标点属于第一类，部分坐标点属于第二类，求新坐标点的类别。 序号 X y 所属类型（期望输出） 1 -9 15 0 2 1 8 1 3 -12 4 0 4 -4 5 0 5 0 11 0 6 5 9 1 定义： （2）初始化，将权值和偏置初始化为零。 w=[0,0,0]; （4）第二次迭代。 重复以上的步骤 v=w*P y=hardlim(v) e=(d-y) ee=mae(e) % 误差不为零！ w=w+n*(T-y)*P （5）第三次迭代，重复以上步骤。 v=w*P y=hardlim(v) e=(d-y) ee=mae(e) w=w+n*(T-y)*P （6）第四次迭代。 v=w*P y=hardlim(v) e=(d-y) ee=mae(e) w=w+n*(T-y)*P 程序： % perception_hand.m %% 清理 （1）定义变量 定义输入 期望输出 clear,clc close all %% n=0.2; % 学习率 w=[0,0,0]; P=[ -9, 1, -12, -4, 0, 5;... 15, -8, 4, 5, 11, 9]; d=[0,1,0,0,0,1]; % 期望输出 P=[ones(1,6);P]; P P = 1 1 1 1 1 1 -9 1 -12 -4 0 5 15 -8 4 5 11 9 %% （2）显示要分类的点 figure; subplot(2,1,1); % 显示待分类的点和分类结果 plot([-9 , -12 -4 0],[15, 4 5 11],o); hold on; plot([1,5],[-8,9],*); axis([-13,6,-10,16]); legend(第一类,第二类); title(6个