神经网络（1）：感知器

最新推荐文章于 2024-03-03 10:13:22 发布

foreststar

最新推荐文章于 2024-03-03 10:13:22 发布

阅读量803

点赞数 1

分类专栏：神经网络文章标签：感知器二分类

本文链接：https://blog.csdn.net/foreststar/article/details/53574038

版权

本文介绍了神经网络中最简单的模型——感知器，用于二分类问题。内容包括感知器的工作原理，通过加权求和与符号规范化实现二分类，以及详细步骤如样本增广化、权值调整等。此外，还提及了代码实现过程。

摘要由CSDN通过智能技术生成

人工神经网络入门：

感知器是神经网络中最简单的一种模型，是通过加权求和函数计算，之后根据结果实现二分类。

感知器算法的实现：（实现二分类）

先输入两类样本，后对数据进行增广化，以及符号规范化，然后训练样本并调整权值，训练完毕后保存权值。

如：二维样本(0,1)，前两个数字为二维输入。

增广化：将(0,1)，变为(0,1,1)，即隐含输入1。

符号规范化：如(0,1),(0,0)属于1类，(1,0),(1,1)属于2类，则增广化后分别为(0,1,1),(0,0,1),(1,0,1),(1,1,1)，

规范化就是将某一类的值都乘以-1，比如2类样本乘以-1，即(0,1,1),(0,0,1),(-1,0,-1),(-1,-1,-1)。

代码实现：

定义全局变量：

#define MAX_SAMPLE_NUM   100     // 最大样本个数
#define MAX_NUM       1000    // 最大训练次数

double RATE = 0.6;

关注