matlab-神经网络-感知器(3)

最新推荐文章于 2024-09-21 12:29:42 发布

deepfuture

最新推荐文章于 2024-09-21 12:29:42 发布

阅读量355

点赞数

分类专栏：数学与计算文章标签：人工智能 matlab

本文链接：https://blog.csdn.net/deepfuture/article/details/84265708

版权

数学与计算专栏收录该内容

434 篇文章 2 订阅

订阅专栏

在人工神经网络领域中，感知机也被指为单层的人工神经网络，以区别于较复杂的多层感知机（Multilayer Perceptron）。作为一种线性分类器，（单层）感知机可说是最简单的前向人工神经网络形式。尽管结构简单，感知机能够学习并解决相当复杂的问题。感知机主要的本质缺陷是它不能处理线性不可分问题。

感知机使用特征向量来表示的前馈式人工神经网络，它是一种二元分类器，把矩阵上的输入 $x$ （实数值向量）映射到输出值 $f(x)$ 上（一个二元的值）。

$f(x) = \begin{cases}1 & \text{if }w \cdot x + b > 0\\0 & \text{else}\end{cases}$

$w$ 是实数的表式权重的向量， $w \cdot x$ 是点积。 $b$ 是偏置，一个常数不依赖于任何输入值。偏置可以认为是激励函数的偏移量，或者给神经元一个基础活跃等级。

$f(x)$ (0 或 1)用于对 $x$ 进行分类，看它是肯定的还是否定的，这属于二元分类问题。如果 $b$ 是否定的，那么加权后的输入必须产生一个肯定的值并且大于 $-b$ ，这样才能令分类神经元大于阈值0。从空间上看，偏置改变了决策边界的位置（虽然不是定向的）。

由于输入直接经过权重关系转换为输出，所以感知机可以被视为最简单形式的前馈式人工神经网络。

>> P=[0 1 0 1 1;1 1 1 0 0]

P =

0 1 0 1 1
1 1 1 0 0

>>
>> T=[0 1 0 0 0]

T =

0 1 0 0 0

>> net = newp(minmax(P),1)

net =

Neural Network object:

architecture:

         numInputs: 1
         numLayers: 1
       biasConnect: [1]
      inputConnect: [1]
      layerConnect: [0]
     outputConnect: [1]

        numOutputs: 1 (read-only)
    numInputDelays: 0 (read-only)
    numLayerDelays: 0 (read-only)

subobject structures:

            inputs: {1x1 cell} of inputs
            layers: {1x1 cell} of layers
           outputs: {1x1 cell} containing 1 output
            biases: {1x1 cell} containing 1 bias
      inputWeights: {1x1 cell} containing 1 input weight
      layerWeights: {1x1 cell} containing no layer weights

functions:

          adaptFcn: 'trains'
         divideFcn: (none)
       gradientFcn: 'calcgrad'
           initFcn: 'initlay'
        performFcn: 'mae'
          plotFcns: {'plotperform','plottrainstate'}
          trainFcn: 'trainc'

parameters:

        adaptParam: .passes
       divideParam: (none)
     gradientParam: (none)
         initParam: (none)
      performParam: (none)
        trainParam: .show, .showWindow, .showCommandLine, .epochs,
                    .goal, .time

weight and bias values:

                IW: {1x1 cell} containing 1 input weight matrix
                LW: {1x1 cell} containing no layer weight matrices
                 b: {1x1 cell} containing 1 bias vector

other:

>> net.iw{1,1}

ans =

0 0

>> net.iw{1,1}=[1 1]

net =

Neural Network object:

architecture:

         numInputs: 1
         numLayers: 1
       biasConnect: [1]
      inputConnect: [1]
      layerConnect: [0]
     outputConnect: [1]

        numOutputs: 1 (read-only)
    numInputDelays: 0 (read-only)
    numLayerDelays: 0 (read-only)

subobject structures:

functions:

parameters:

weight and bias values:

                IW: {1x1 cell} containing 1 input weight matrix
                LW: {1x1 cell} containing no layer weight matrices
                 b: {1x1 cell} containing 1 bias vector

other:

>> net.b{1}

ans =

>> net.b{1}=-2

net =

Neural Network object:

architecture:

         numInputs: 1
         numLayers: 1
       biasConnect: [1]
      inputConnect: [1]
      layerConnect: [0]
     outputConnect: [1]

        numOutputs: 1 (read-only)
    numInputDelays: 0 (read-only)
    numLayerDelays: 0 (read-only)

subobject structures:

functions:

parameters:

weight and bias values:

                IW: {1x1 cell} containing 1 input weight matrix
                LW: {1x1 cell} containing no layer weight matrices
                 b: {1x1 cell} containing 1 bias vector

other:

我们这个感知器的任务就是完成 and 运算，即只有输入的2个元素都为 1，输出才为1

sim是仿真函数，对神经网络进行仿真，可以理解为进行测试
>> sim(net,[0;1])

ans =

>> sim(net,[1;1])

ans =

>> sim(net,[1;0])

ans =

>> sim(net,[1;0])

ans =

>> y=sim(net,[1;0])

y =