感知器算法（perceptron algorithm）

最新推荐文章于 2025-05-08 21:39:31 发布

Amelia0911

最新推荐文章于 2025-05-08 21:39:31 发布

阅读量8.9k

点赞数 10

CC 4.0 BY-SA版权

分类专栏：模式识别文章标签：算法感知器 matlab 模式识别

本文链接：https://blog.csdn.net/liuzhuomei0911/article/details/51585765

模式识别专栏收录该内容

7 篇文章

订阅专栏

本文介绍了一种模式识别算法的实现过程，包括初始化参数、输入训练模式、计算判别函数值及调整权重等步骤，并提供了完整的Matlab代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

算法实现步骤

给定一个增广的训练模式集 $\{ y_1,y_2，···，y_N \},其中每个模式类别已知，它们分别属于w_1类,w_2类$ :

给定初步数始值 $K= 0，令增量\rho=C,(C为正常数)，给定初始增广权矢量W(0)$ 赋任意小的值;
输入训练模式 $y_K,计算判别函数值：W(K)^T*y_K$ ;
校正增广权矢量，校正规则是：
若 $y_K\in{w_1}和W(K)^T*y_K\le{0}则：W(K+1) = W(K)+\rho*y_K$ ;
若 $y_K\in{w_2}和W(K)^T*y_K\ge{0}则：W(K+1) = W(K)-\rho*y_K$ ;
否则不需校正即： $W(K+1) = W(K)$ .

若 $w_2$ 类各个分量乘 $(-1),$ 则校正规则为：
$W(K)^T*y_K\le{0}则：W(K+1) = W(K)+\rho*y_K$ ;
令 $K = K+1$ ,继续第二步，直到W对所有的样本均稳定不变，即对样本进行正确分类结束。

Matlab代码实现

clear all;
close all;
clc;

%给定样本：
%w1 = (x1,x2) = {(0,0),(0,1)}
%w2 =（x3,x4）= {(1,0),(1,1)}
x1 = [0,0];x2 = [0,1];x3 = [1,0];x4 = [1,1];
%增广型训练模式集
y1 = [x1,1];y2 = [x2,1];y3 = [-x3,-1];y4 = [-x4,-1];
y = [y1;y2;y3;y4];
%给定初始权矢量，增量,步数
W = [1;1;1]; P = 1; K = 0;

d = zeros(4,2000);%用来存储判别函数
for i = 1:2000
    for j = 1:4
        K = K + 1;
        d(j,i) = y(j,:)*W;
        if d(j,i) <= 0     
            W = W + y(j,:)';%当d<=0,需校正；d>0,不校正
        end
    end
    if d(:,i)>0    %迭代到所有训练样本的判别函数大于0时，结束迭代，输出解向量
        disp( '所求的解向量W为：');
        disp( num2str(W));
        break
    end
end