单层单输出感知机实现对二值化图像数字奇偶分类.ppt

10.设计一个单层单输出感知机神经网络，实现对二值化图像数字的奇偶分类。提示：每一个数字图像可以划分成5*3的矩阵方块，若小方块内有数字笔画，则记为1，否则记为0，因此图像中所有小方块表达了由0,1二值组成的一个模式，该模式可以作为感知机模型的输入向量。 (3)用MATLAB计算该模型的最终权值、阈值和各步误差！程序如下： clear all; %清除所有内存变量 %创建感知器神经网络 pr=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;]; %设置输入向量每个元素的值域（最小值和最大值），因为有15个输入，所以为15*2矩阵向量 net=newp(pr,1); %创建感知器神经网络，有15个输入元素，1个神经元 %训练感知器神经网络 %定义15*10的训练样本集输入向量 p=[1 1 1 1 0 1 1 0 1 1 0 1 1 1 1; %数字0构成的输入向量 1 1 0 0 1 0 0 1 0 0 1 0 1 1 1; %数字1构成的输入向量；以下分别是数字2到数字9构成的输入向量 1 1 1 0 0 1 1 1 1 1 0 0 1 1 1; 1 1 1 0 0 1 1 1 1 0 0 1 1 1 1; 1 0 1 1 0 1 1 1 1 0 0 1 0 0 1; 1 1 1 1 0 0 1 1 1 0 0 1 1 1 1; 1 1 1 1 0 0 1 1 1 1 0 1 1 1 1; 1 1 1 0 0 1 0 0 1 0 0 1 0 0 1; 1 1 1 1 0 1 1 1 1 1 0 1 1 1 1; 1 1 1 1 0 1 1 1 1 0 1 1 1 1 1]; t=[ 1 0 1 0 1 0 1 0 1 0]; %定义1*10的目标向量奇数0，偶数1 [new,tr]=train(net,p,t); %训练单层感知器神经网络 iw1=new.IW{1} %输出训练后的权值 b1=net.b{1} %输出训练后的阈值 epoch1=tr.epoch %输出训练过程经过的每一步长 perf1=tr.perf %输出每一步训练结果的误差 save net32 net %存储训练后的神经网络 clear all; load net32 net %加载训练后的神经网络 运行结果 (4)验证运行结果 T=1，y=f(wx-θ)=f(-1-3+3+2+6-2+1-1-1-0)=f(4)=1,d=1,e=d-y=0; T=2,y=f(-1-3-1+2-4-1-1-1)=f(-10)=0; d=0,e=d-y=0; T=3，y=f(-1-3+2+6-3)=f(1)=1; d=1,e=d-y=0; T=4,y=f(-1-3+2-2-3)=f(-7)=0; d=0,e=d-y=0; T=5,y=f(-1+3+2-2-1)=f(1)=1；d=1,e=d-y=0; T=6,y=f(-1-3+3+2-2-3)=f(-4)=0; d=0,e=d-y=0; T=7,y=f(-1-3+3+2+6-2-3)=f(2)=1; d=1,e=d-y=0; T=8,y=f(-1-3-2-1)=f(-7)=0; d=0,e=d-y=0; T=9,y=f(-1-3+3+2+6-2-3)=f(2)=1; d=1,e=d-y=0; T=10,y=f(-1-3+3+2-4-2-3)=f(-8)=0; d=0,e=d-y=0; 经验证运行结果正确。 * * 解：（1）画出0-9二值化图像，并分别用0，1序列表示。 111 101 101 101 111 110 010 010 010 111 111 001 111 100 111 111 001 111 001 111 101 101 111 001 001 111 100 111 001 111 111 100 111 101 111 111 001 001 001 001 111 101 111 101 111 111 101 111 001 111 （2）设计单层单输出神经网路模型 *