MATLAB感知器——02

MATLAB的基本操作不做介绍，直接开始感知器的学习。

一、单层感知器

1、结构图如下：（懂得直接跳到2、）

单层感知器，即只有一层神经元节点，上图为一个神经元的示意图。
多个输入经过加权求和之后得到一个值，这个值再加上一个b（有点类似y=ax+b）经过激活函数后就可以得到输出。

激活函数的作用是什么呢？简单来说神经元类似开关，只有激活和未激活两种状态。把这两种状态看成0,1，那数据经过加权求和且+b后得到的数值在（-∞，+∞）之间，那我们需要一种函数把这个值缩回到0-1之间，这样就和神经元很贴切了，因此而产生的了很多种激活函数，这里不做一一介绍。

2、实例+详解
直接来一个样本训练+数据测试，如下

我们接下来用这些数据训练一个单层感知器：

%数据载入，x为输入，y为期望输出
x = [0 0 1 1;0 1 0 1];
y = [0 1 1 1];

%以单个神经元为例
pr = minmax(x)
net = newp(pr,1);

net=newp[PR,S,TF,LF] ，这是一个网络构建函数：
PR：存放maxmin的矩阵。以我们的例子看这是一个2*2的矩阵，由每一个属性的max，min组成。
S：神经元个数。
TF：激活函数，默认值为 hardlim函数。
LF：学习修正函数，默认为learnp函数。主要用来更新权值的调整。

模型建好了，接下来训练数据：

net.trainParam.Epochs = 100;
net=train(net,x,y);
Y2 = sim(net,x);

net.trainParam.Epochs控制训练次数，每次按照该有的规则从样本拿出一个数据训练。
sim()函数是仿真函数，其要点是该过程一旦开始不可停止。sim函数不是必须有的。
net.iw：可以查看权值；net.b：可以查看偏置。
nntool可以导入模型查看模型结构。

模型训练好了，可以测试了。以0.01,1.01为例，看他的标签，代码如下：

out = sim(net,[0.01;1.01])

可以得到out = 1。
使用w和b也可以做一个简单的可视化（如果数据维度较多，不建议这样做）

%画样本点（带标签）
plotpv(x,y);
%画分类线
plotpc(net.iw{1},net.b{1});

二、多层感知器

与单层的区别是输入输出之间多了一个隐含层，隐含层具体怎样是看不到的，可以想象成一个黑盒子。
1、神经元之间的传递：

画的丑，凑活看。在f1那个神经元那里输出给下一层的时候是经过激活函数处理了的（刚学的时候以为加权求和就完事了），这样一层一层往后传就可以得到输出y了。
2、不上例子

主要是跟上面区分一下就好，这两个代码区别不是很大。

net=netff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)

只有这个函数要换，其他的区别不是很大。具体解释下这个参数：
P：要喂的数据矩阵
T：矩阵的标签矩阵（一维的）
S：隐含层节点数，多个隐含层的话用[5,3]，这就代表是隐含层有两层，第一层5个神经元，第二层3个神经元。
TF：激活函数：阈值函数hardlim，hardlims，线性函数purelin，双曲正切S型函数tansig，对数S型传递函数。
BTF：训练函数：梯度下降训练函数traingd，动量反传梯度下降函数traingdm，动态自适应学习率下降函数traingda，动量反传和动态自适应梯度下降训练函数traindx，L_M训练函数trainlm。
BLF：网络学习函数：BP学习规则learngd，带动量的BP学习规则learngdm。
PF：性能分析函数：均值绝对误差性能分析函数mae，均方差性能分析函数mse。
IPF：输入处理函数
OPF：输出处理函数
DDF：验证数据划分函数
emm这个参数还是挺多的。
除了训练次数，还要加一个收敛误差（控制调整训练次数）

net.trainParam.goal=0.00001;

参数一般小于0.01。

无论是哪种感知器net函数不唯一，我这里用的newff，newp都是常用的网络。

如有问题，欢迎大家指出来。