【神经模糊预测控制】01.感知机

最新推荐文章于 2024-06-29 09:29:02 发布

小猪同事

最新推荐文章于 2024-06-29 09:29:02 发布

阅读量670

点赞数 23

分类专栏： Matlab从入门到精通文章标签： matlab 学习机器学习

本文链接：https://blog.csdn.net/A1617215315/article/details/137637275

版权

Matlab从入门到精通专栏收录该内容

3 篇文章 0 订阅

订阅专栏

摘要

本文参考李国勇、杨丽娟编著的《神经模糊预测控制及其Matlab实现》（中国工信出版社、第4版）撰写，并非出于盈利目的，如有冒犯，还望海涵。详细介绍了如何利用感知机原理设计“逻辑与”，并且指出了感知机的局限性。

一、问题介绍

从原理出发往往比较枯燥难懂，本文将从实际例子出发看看如何通过感知机原理解决实际问题，最后再来刨析其中的理论。

逻辑与问题：

在数电中，我们学习过与门，在数据库中也有AND操作。简易而言，就是在两个输入（输入只能是0或者1）的情况下，只有当两输入同为1时，最终输出才是1，否则输出则为0；类似乘法y=X1*X2，其中y是输出，X1和X2为输入。

我们需要设计一个“功能”来实现这样的映射关系。

二、代码实现

2.1 详细代码

err_goal=0.001;
lr=0.9;
max_epoch=10000;

X=[0 0 1 1;0 1 0 1];
T=[0 0 0 1];

[M,N]=size(X);
[L,N]=size(T);

Wij=rand(L,M);
y=0;
b=rand(L);

for epoch=1:max_epoch
    NETi=Wij*X;
    for j=1:N
        for i=1:L
            if(NETi(i,j)>=b(i))
                y(i,j)=1;
            else
                y(i,j)=0;
            end
        end
    end

    E=(T-y);
    EE=0;
    for j=1:N
        EE=EE+abs(E(j));
    end
    if(EE<err_goal)
        break;
    end
    Wij=Wij+lr*E*X';
    b=b+sqrt(EE);
end
epoch,Wij,b

2.2 代码解释

我们先看输入矩阵X和输出矩阵T，如果不理解矩阵也没关系，具体形式如下所示，其中f就是我们要设计的“感知器”，方框内的每一纵列作为输入，而右侧方框内对应位置的一列作为输出，比如第一列“ 0 0 ”对应的就是“ 0 ”，而第二列“ 0 1 ” 对应的就是“0”....第四列“ 1 1 ”对应的为 “1” 。

后续，它设计了一个矩阵Wij，我们称之为输出层加权矩阵（因为它和输出层直接相连，改变输出层的维度）。这个矩阵我们可以发现他是1行2列的矩阵，但是为什么是1行2列而不是1行3列或者不是2行1列呢？

其实设计的感知器或者神经网络最终都要从输入的维度降到输出的维度，通过线性代数的知识，我们知道当1*2（1行2列）的矩阵乘以2*1的矩阵（单一的输入矩阵）就可以得到1*1的值，完成降维的操作。所以，实际上，你甚至可以设计一个2*2的输入矩阵Qij放在中间来调整效果，因为1*2的矩阵乘上2*2的矩阵再乘上2*1的矩阵，最终还是会降低到1*1，这也是为什么如今会有多层神经网络的原因，越多的网络层，意味着结构更加灵活，理论上可以拟合的内容越逼近，但是训练量更大，也可能会陷入过拟合和局部最优的问题。

在输入X经过Wij矩阵时，进行了Wij*X的操作，得到了一个临时输出矩阵NETi，通过对NETi和阈值b矩阵的大小比较得到了输出矩阵Y。其中，由于Wij和b起初都是用随机值填充的矩阵，所以输出矩阵Y效果不一定很好。

这时候就需要通过误差修正来改变这个Wij和b：