单层感知器线性分类、多层感知器非线性分类样例调用matlab神经网络工具箱实现

%给定样本输入向量P，目标输出向量T
%net = newp（PR,S,TF,LF）
%PR为输入矢量的取值范围的最大值和最小值 S为神经元的个数 TF为网络的传递函数 默认为hardlim LF为网络的学习函数 默认为learnp
%以及需要分类的向量组Q
%设计一个单层感知机对其分类
%[net,tr,Y,E,Pf,Af] = train(net,P,Pi,Ai)
%train通过调用网络训练函数net.trainFcn并根据训练函数net.trainParam对网络进行训练
%在输入变量中net为神经网络对象 P为网络输入 T为目标矢量Pi为输入延迟的初始状态 Ai为层延迟的初始状态
%在返回函数中net为新的网络 tr为训练记录 Y为网络输出 E为输出和目标矢量之间的误差 Pf为训练终止时输入的延时状态
%Af为训练终止时的层延时状态
P = [-0.3 -0.8 0.4;0.6 0 0.1];
T = [1 1 0];
net = newp([-1 1;-1 1],1);  %设置单层感知器
net.trainParam.epochs = 10; %设置网络的最大训练次数为20
net = train(net,P,T);       %使用训练函数对创建的网络进行训练
Y = sim(net,P);             %对训练后的网络进行仿真
E1 = mae(Y-T);              %计算输出量与目标量之间的均方误差
Q = [0.6 0.9 -0.1;-0.1 -0.5 0.5]; %检测训练好的神经网络的性能
Y1 = sim(net,Q);            %对网络进行仿真，仿真输出即为分类的结果
figure;                     %创建一个绘图的窗口
plotpv(Q,Y1);               %绘制输入向量和目标向量plotpv（P,T,V）输入向量、目标向量、控制图形的最大范围
plotpc(net.iw{1},net.b{1}); %在感知器向量图中绘制分界线plotpc(W,B,H)加权矩阵、阈值向量、最后画线的控制权

分类结果：

对于线性不可分的例子，如下图的两类模式（类a表示垂直线类b表示平行线）通过感知器网络分类。显然对于两类模式类别无法用一个超平面分开，所以单层感知器是无法完成此任务。这里设置一个多层感知器网络来解决此问题。

多层感知器的结构如下，其中对应的传递函数f为强限幅传递函数：

对应强限幅传递函数公式如下：

$\operatorname{hardlim}(x)= \begin{cases}1 & x \geqslant 0 \\ 0 & x<0\end{cases}$

通过依次扫描模式中的各列，将模式表示成向量。白方块用”-1“ 表示，黑方块用”1“表示，对于样本希望分两类即垂直的为1 水平的为0，则输入样本用p1 p2 p3 p4 表示，如下表：

输入样本		目标向量
p1	1 1 -1 -1	1
p2	-1 -1 1 1	1
p3	1 -1 1 -1	0
p4	-1 1 -1 1	0

将输入向量的前两个输入输入第一层感知器的第一个神经元，将输入向量的后两个输入输入第一层感知器的第二个神经元，运算结果如下图所示，其中p1、p11分别为两个神经元的输入，b1、b11分别为两个神经元的偏置（随机得到），iw1、iw11分别为两个神经元的[1行2列]权值矩阵（随机的到）a1、a11分别为两个神经元的输出。

第一次输入具体计算公式如下：

将第一层神经元输出组合后组成[2*4]的矩阵输入第二层神经元，在第二层神经元训练仿真后若输入的向量满足目标向量则训练结束。训练完成后得到的net可对输入向量进行分类。

在命令行输入

sim(net2,p2)

得到结果：

满足最初目标垂直线样本标记为1 水平线标记为0 。

上述非线性可分样例的代码如下：

pr1 = [-1 1;-1 1];%随机感知器     输入的范围
net1 = newp(pr1,1);
net11 = newp(pr1,1);
%%
%随机权重、偏置参数
net1.inputweights{1}.initFcn = 'rands';
net1.biases{1}.initFcn = 'rands';
net11.inputweights{1}.initFcn = 'rands';
net11.biases{1}.initFcn = 'rands';
index = 0;
while index == 0%%%第一层%神经元1net1 = init(net1);%iw1[1 2] * p1[2 4] = a1[1 4];%表示输入层到第一层隐层的权重iw1 = net1.IW{1};%net.IW{i,j}表示从第j个输出到第i层权重的权重矩阵，其值为N*R的矩阵b1 = net1.b{1};  %表示第一层隐层的偏置，其值为N*1的矩阵p1 = [1 -1 1 -1;1 -1 -1 1]; %第一层第一个单层感知器的输入[a1] = sim(net1,p1);        %进行仿真，输出结果到a1
%神经元2%iw11[1 2] * p11[2 4] = a11[1 4];net11 = init(net11);iw11 = net11.IW{1};b11 = net11.b{1};p11 = [-1,1,1,-1;-1,1,-1,1];%第一层第二个单层感知器的输入[a11] = sim(net11,p11);     %进行仿真，输出结果到a11%%
%第二层pr2 = [0 1;0 1];net2 = newp(pr2,1);         %第二层单个感知器建立，一个神经元net2.trainParam.epochs = 10;%最大训练次数（步数）设置为10net2.trainParam.show = 1;   %每隔一次展示一下训练结果p21 = ones(size(a1));p21 = p21.*a1;p22 = ones(size(a11));p22 = p22.*a11;p2 = [p21;p22];             %第一层中两个单层感知器的输出作为第二层单层感知器的输入t2 = [1 1 0 0];             %目标向量[net2,tr2] = train(net2,p2,t2);%第二层单层感知器的训练epoch2 = tr2.epoch;         perf2 = tr2.perf;iw2 = net2.IW{1};b2 = net2.b{1};a2 = sim(net2,p2);          %第二层进行仿真save Percept02 net1 net2if a2 == t2                 %结束条件，当训练结果满足目标向量时结束训练index = 1;end
end

单层感知器线性分类、多层感知器非线性分类样例调用matlab神经网络工具箱实现相关推荐

MATLAB神经网络工具箱中感知器权值和阈值的学习函数learnp
我先把代码贴过来!慢慢研究! function [out1,out2] = learnp(varargin) %LEARNP Perceptron weight/bias learning funct ...
神经网络与机器学习笔记—多层感知器（MLP）
多层感知器(MLP) Rosenblatt感知器和LMS算法,都是单层的并且是单个神经元构造的神经网络,他们的局限性是只能解决线性可分问题,例如Rosenblatt感知器一直没办法处理简单异或问题.然 ...
深度学习02-神经网络(MLP多层感知器)
文章目录神经网络简介学习路径分类多层感知器(MLP) 神经网络认识两层神经网络输入层从输入层到隐藏层从隐藏层到输出层激活层输出的正规化如何衡量输出的好坏反向传播与参数优化过 ...
人工神经网络：多层感知器
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一.今日所学二.今日重点前言虽然异或问题成为感知器和早期神经网络的阿喀琉斯之踵,但它并非无解的问题.恰恰相反,解 ...
matlab 神经网络ann用于分类方法
matlab关于ann的分类方法讲解了一个例子,Fishr集上鸢尾花(Iris)的分类,学习了这个方法可以套用在个人项目上使用,万变不离其宗, 1.Fishr集上鸢尾花Iris数据集的分类 ①iris ...
MP模型、单层感知器、多层感知器的理解
神经网络基础序言 MP模型 1.逻辑与: 2.逻辑或: 3.逻辑异或: 单层感知器多层感知器(BP) 序言关于神经网络的内容已经学习了很多,也发现了一些问题,而这些问题是因为基础不牢靠引起的,所 ...
逻辑斯第回归、softmax分类与多层感知器
本专栏将推出一系列深度学习与图像处理相关的教程文章.注重原理精讲和代码实现.实现框架将重点选择Tensorflow或Pytorch.本讲从逻辑斯第回归入手,然后讲解softmax分类器,最后讲解多层感 ...
使用多层感知器进行图片分类
文章目录实验目标实验要求实验原理实验步骤实验分析源代码实验目标多层感知器(Multi-Layer Perceptron,MLP)也叫人工神经网络(Artificial Neural N ...
单层感知器python_多层感知器背后的概念及Python实现
机器学习正在成为数据科学中最具革命性的技术之一,它允许我们发现特征之间的非线性关系,并使用它来预测新的样本.机器学习中最简单的体例之一是多层感知器.在本文中,我将讨论多层感知器背后的概念,并向您展示如 ...

单层感知器线性分类、多层感知器非线性分类样例调用matlab神经网络工具箱实现

单层感知器线性分类、多层感知器非线性分类样例调用matlab神经网络工具箱实现相关推荐

最新文章

热门文章

单层感知器线性分类、多层感知器非线性分类样例 调用matlab神经网络工具箱实现

单层感知器线性分类、多层感知器非线性分类样例 调用matlab神经网络工具箱实现相关推荐

最新文章

热门文章

单层感知器线性分类、多层感知器非线性分类样例调用matlab神经网络工具箱实现

单层感知器线性分类、多层感知器非线性分类样例调用matlab神经网络工具箱实现相关推荐