计算机视觉课后作业——编写程序以实现“感知器(感知准则)”算法:

一、编写程序以实现“感知器(感知准则)”算法:

（1）初始化a=0，将W1和W2中的数据用于程序训练。记录收敛所需的迭代次数(收敛步数);

（2）将w2和w3中的数据用于程序训练，同样记录收敛所需的迭代次

程序说明

"""批感知器算法"""

import matplotlib.pyplot as plt
import numpy as np
import math

data = np.loadtxt('data.txt')
trn_data1 = data[0:20, 0:2]   # 问题一（1）
trn_lable1 = data[0:20, 2]

#trn_data1 = data[10:30, 0:2]   # 问题一（1）
#trn_lable1 = data[10:30, 2]

plt.scatter(trn_data1[0:10, 0], trn_data1[0:10, 1], color='blue', marker='o', label=''r'$\omega_1$')
plt.scatter(trn_data1[10:20, 0], trn_data1[10:20, 1], color='red', marker='x', label=''r'$\omega_2$')
plt.xlabel(''r'$x_1$')
plt.ylabel(''r'$x_2$')
plt.legend(loc='upper left')
plt.title('Original Data')
plt.show()

X = np.hstack((np.ones((trn_data1.shape[0], 1)), trn_data1))

X1 = X[0:10, :]
X2 = -1 * X[10:20, :]
X = np.vstack((X1, X2))   # 规范化增广样本
w = np.zeros((3, 1), dtype='float32')


step = 0
for i in range(100):
    if i == 0:
        y_pred = np.where(np.dot(X, w) == 0)[0]  # 统计分类错误的点数
    else:
        y_pred = np.where(np.dot(X, w) < 0)[0]
    step += 1
    print('第%2d次更新，分类错误的点个数：%2d' % (step, len(y_pred)))
    if len(y_pred) > 0:
        w += (np.sum(X[y_pred, :], axis=0)).reshape((3, 1))
    else:
        break

print('解向量为：', w)
x1 = np.array([-5, 8])
x2 = -1 * (w[1]*x1 + w[0])/w[2]

plt.scatter(trn_data1[0:10, 0], trn_data1[0:10, 1], color='blue', marker='o', label=''r'$\omega_1$')
plt.scatter(trn_data1[10:20, 0], trn_data1[10:20, 1], color='red', marker='x', label=''r'$\omega_2$')
plt.plot([x1[0], x1[1]], [x2[0], x2[1]], 'black')
plt.xlabel(''r'$x_1$')
plt.ylabel(''r'$x_2$')
plt.legend(loc='upper left')
plt.title('classified Data')
plt.show()

data.txt文件

0.1 1.1 1
6.8 7.1 1
-3.5 -4.1 1
2.0 2.7 1
4.1 2.8 1
3.1 5.0 1
-0.8 -1.3 1
0.9 1.2 1
5.0 6.4 1
3.9 4.0 1
-3.0 -2.9 3
0.5 8.7 3
2.9 2.1 3
-0.1 5.2 3
-4.0 2.2 3
-1.3 3.7 3
-3.4 6.2 3
-4.1 3.4 3
-5.1 1.6 3
1.9 5.1 3
-2.0 -8.4 4
-8.9 0.2 4
-4.2 -7.7 4
-8.5 -3.2 4
-6.7 -4.0 4
-0.5 -9.2 4
-5.3 -6.7 4
-8.7 -6.4 4
-7.1 -9.7 4
-8.0 -6.3 4
7.1 4.2 2
-1.4 -4.3 2
4.5 0.0 2
6.3 1.6 2
4.2 1.9 2
1.4 -3.2 2
2.4 -4.0 2
2.5 -6.1 2
8.4 3.7 2
4.1 -2.2 2
-3.0 -2.9 3
0.5 8.7 3
2.9 2.1 3
-0.1 5.2 3
-4.0 2.2 3
-1.3 3.7 3
-3.4 6.2 3
-4.1 3.4 3
-5.1 1.6 3
1.9 5.1 3
-2.0 -8.4 4
-8.9 0.2 4
-4.2 -7.7 4
-8.5 -3.2 4
-6.7 -4.0 4
-0.5 -9.2 4
-5.3 -6.7 4
-8.7 -6.4 4
-7.1 -9.7 4
-8.0 -6.3 4

结果图像