(1.7)--ch5_神经网络理论基础(1).ppt

*(3)求感知器的输出：(4)调整权值：(5)若，则学习结束；否则，返回(3)。*[例1]设一平面上的两类模式，如图所示：输入矢量-1.0-0.5+0.3-0.1-0.5+0.5-0.5+1.0输出矢量1100采用两个输入,单输出的单层感知器进行分类,对应于目标0的输入矢量用符号“o”表示，对应于目标1的输入矢量用符号“+”表示。训练结束后得到的分类线将两类输入矢量分开。表1*分类结果*P=[-1.0-0.50.3-0.1;-0.50.5-0.51];T=[1100];%初始化[R,Q]=size(P); [S,Q]=size(T); [W,b]=rands(S,R) max_epoch=20;%%表达式B=cat(2,b,b,b,b);%b变成一个SQ的矩阵BA=hardlim(W*P+B)*forepoch=1:max_epoch%开始循环训练、修正权值过程ifall(A==T) %当A=T时结束epoch=epoch-1;breakend%学习e=T-A;dW=learnp([],P,[],[],[],[],e);%求权值的修正值db=learnp(b,ones(1,S),[],[],[],[],e);%求偏差的修正值W=W+dW; %修正后的权值B=B+db; %修正后的偏差A=hardlim(W*P+B)%计算权值修正后的网络输出end*W=-0.69830.3958b=-0.2433A=1101A=1000A=1100W=-1.0983-0.1042B=-0.24330.7567-0.2433-1.2433*[例2]奇异样本对训练结果的影响。训练样本如下表分别表示。输入矢量-0.5-0.5+0.3-0.1-0.8-0.5+0.5-0.5+1.0+1.0输出矢量11001表2输入矢量-0.5-0.5+0.3-0.1-80-0.5+0.5-0.5+1.0+100输出矢量11001表3**W=-0.96950.4936b=-0.1098A=11011A=11001W=-0.86945 -0.50643b=-0.10981Elapsedtimeis0.068175seconds.*分类结果*W=0.3644-0.3945b=0.0833A=10100A=01011A=01011A=01011A=01011A=01011*A=01011A=11011A=11011A=11011A=11011A=11011A=11011*A=11011A=11011A=