人工智能实验-人工神经网络

最新推荐文章于 2023-12-29 09:29:25 发布

泽申

最新推荐文章于 2023-12-29 09:29:25 发布

阅读量1.1k

点赞数 22

分类专栏：人工智能文章标签：人工智能

泽申

本文链接：https://blog.csdn.net/qq_43585628/article/details/135061383

版权

人工智能专栏收录该内容

3 篇文章 0 订阅

订阅专栏

实验目的

了解神经网络的概念
掌握单层感知器人工神经网络的设计

实验内容

设计一个简单的单层感知器人工神经网络，理解并编程实现网络的学习算法，通过下面表所示的样本训练网络，最终能使用训练成熟的网络对样本数据进行分类。

实验过程

感知器及其学习举例

感知器（perceptron）最初是指仅有一个神经元的最简单的神经网络，由Frank Rosenblatt于1957年提出。这种感知器与MP模型并无本质区别，只是它已经有了学习算法。一般将感知器图示为如图11-5的形式。

感知器的激活函数通常取阶跃函数或符号函数（也可以取其它函数）。感知器的输出y与输入x之间的关系为

感知器学习算法

(1) 给权向量w赋初值，并设置一个合适的学习率hÎ(0,1]；

(2) 对训练样例(xi, yi) (i=1,2,…,n)：

计算yi’= f(wTxi )；

计算误差e= yi-yi’；

更新权值：w= w+exi (11-13)

(3) 直到对所有训练样例都有e=0，则当前权向量w即为所求，训练结束。

否则转(2)；

用下面表所示的样例数据训练一个感知器。

由样例数据知，所训练的感知器为一个二输入、单输出感知器。0首先取阶跃函数为该网络的激活函数，并令x0=-1，于是所求函数的模型为y=step(w1x1+w2x2-w0)；然后置初值：w0=0.6，w1=0.4，w2=0.8；取学习率h=0.4；执行学习算法，该感知器的训练过程如表11-3所示。

可以看出，网络训练结束于第三轮，最终的权值为：w0=1， w1=0.8，w2=0.4。于是，相应的激活函数表达式就是

y = step(0.8X1+0.4X2-1) (11-14)

该函数的图像（切块）大致如图11-6所示。

由图可以看出，直线0.8X1+0.4 X2-1=0将X1-X2平面分为两部分，所以，函数

g(X1,X2)=0.8 X1+0.4X2-1

也就是X1X2平面上点集的一个分类判别函数。于是，阶跃函数y=step(0.8X1+0.4X2-1)则直接就是一个分类器；而且从效果看，这个分类器还是线性分类器。那么，一般地，函数y=step(wTxi ) 就直接构成一个n维线性分类器。

可以看到的是、如果把输入的0，1 看作逻辑真值，则这个样本数据就是AND运算的真值表。

代码

单层感知器人工神经网络的定义：

#include<iostream>
using namespace std;
class Perceptron{
	private:
		double learning_rate;
		double weights[3];
		double x0;
		double error;
	
	public:
		Perceptron(double rate){
			learning_rate = rate;
			weights[0] = 0.6;
			weights[1] = 0.4;
			weights[2] = 0.8;
			x0=-1;
		}
		
		void printfw(){
			cout<<"w0="<<weights[0]<<endl;
			cout<<"w1="<<weights[1]<<endl;
			cout<<"w2="<<weights[2]<<endl;
		}
		
		double predict(double x1,double x2){
			double net = x1*weights[1] + x2*weights[2] - weights[0];
			return (net>=0)?1:0;
		}
		
		double predict(double net){
			return (net>=0)?1:0;
		}
		
		double train(double x1,double x2,double label){
			double net = x1*weights[1] + x2*weights[2] - weights[0];
			error = label-predict(net);
			weights[0] += learning_rate*error*x0;
			weights[1] += learning_rate*error*x1;
			weights[2] += learning_rate*error*x2;
			
			cout<<"x1\tx2\terror\tw0\tw1\tw2"<<endl;
			cout<<x1<<"\t"<<x2<<"\t"<<error<<"\t"<<weights[0]<<"\t"<<weights[1]<<"\t"<<weights[2]<<"\t"<<endl;
			return error;
		}
};

主函数：

int main(){
	double x1[] = {0,0,1,1};
	double x2[] = {0,1,0,1};
	double y[] = {0,0,0,1};
	double error[4];
	int n=4;
	Perceptron perceptron(0.4);
	
	while(1){
		for (int i=0;i<n;i++){
			error[i] = perceptron.train(x1[i],x2[i],y[i]);
		}
		if (error[0]==0&&error[1]==0&&error[2]==0&&error[3]==0){
			break;
		}
	}
	cout<<"训练完成！"<<endl;
	perceptron.printfw();
	
	double y2[4];
	for (int i=0;i<n;i++){
			y2[i] = perceptron.predict(x1[i],x2[i]);
			if(y2[i]==0){
				cout<<"第"<<i<<"组数据经过分类，属于第一类数据，为假"<<endl;
			}
			if(y2[i]==1){
				cout<<"第"<<i<<"组数据经过分类，属于第二类数据，为真"<<endl;
			}
		}
		return 0; 
}