一、实验目的
本实验旨在让同学理解感知准则函数的原理,通过软件编程模拟线性分类器,理解感知函数准则的确定过程,掌握梯度下降算法求增广权向量,进一步深刻认识线性分类器。
二、实验原理
感知器是一种神经网络模型,对于两类线性可分的样本模式类和
。首先对样本进行进行规范化处理,即将类
的全部样本乘以-1,这样对于所有的样本,判别函数都满足下式
感知准则函数,通过对已知类别的训练样本集学习,利用梯度下降算法求满足上式的增广权向量。步骤如下:
1.选择N个分属于和
的模式样本构成训练样本集,将训练样本写成增广向量的形式,并进行规范化处理。
2.采用单一样本修正法,用全部训练样本进行一轮迭代。每输入一个样本,计算判别函数,根据判别函数分类结果的正误修正权向量,此时迭代迭代次数+1。当任意给定增广权向量初始值a(1),第k+1次迭代时的权向量a(k+1)等于第k次的权向量加a(k)上被错分类的所有样本之和与
的乘积。假设第k次迭代,输入样本为
。
可以证明,对于线性可分的样本及经过有限次修正一定可以找到一个解向量,即算法能够在有限步内收敛,其收敛速度快慢取决于初始权向量a(1)和系数
。
三、 实验原始记录
模式识别实验:基于感知函数准则线性分类器设计-深度学习文档类资源-CSDN文库https://download.csdn.net/download/qq_56870342/87251213四、实验结果与分析
测试样本点 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
x | 0 | 1 | -1 | -1 | 0.5 | -3 | 2 | 0 | 1 | -0.5 | 0.5 |
y | -3 | 3 | 5 | 1 | 6 | -1 | -1 | 1 | 1 | -0.5 | -0.5 |
e=1,a=[0,0,0] | 1 | 1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 |
e=2,a=[0,0,0] | 1 | 1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 |
e=3,a=[0,0,0] | 1 | 1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 |
e=1,a=[0,0,5] | -1 | 1 | 1 | -1 | 1 | -1 | 1 | 1 | 1 | -1 | 1 |
e=2,a=[0,0,5] | 1 | 1 | -1 | -1 | -1 | -1 | 1 | -1 | 1 | -1 | 1 |
e=3,a=[0,0,5] | -1 | 1 | 1 | -1 | 1 | -1 | 1 | 1 | 1 | -1 | 1 |
e=1,a=[2,2,-1] | 1 | 1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 |
e=2,a=[2,2,-1] | 1 | 1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 |
e=3,a=[2,2,-1] | 1 | 1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 |
k的取值 | e=1 | e=2 | e=3 |
a=[0,0,0] | 2 | 2 | 2 |
a=[0,0,5] | 2 | 3 | 2 |
a=[2,2,-1] | 1 | 1 | 1 |
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | |
权向量的取值 | 2 | 4 | 6 | 2 | 2 | 3 | 2 | 2 | 2 |
2 | 4 | 6 | 5 | 13 | 12 | 2 | 2 | 2 | |
-1 | -2 | -3 | 1 | -3 | 2 | -1 | -1 | -1 |