人工神经网络就是将生物与计算机结合起来的一种很神的东东。
今天学习了一下单层感知器,它是用来处理线性可分问题的。
线性可分简单的说,如果二维平面上有两类点,然后可以用一条直线一刀切,类似可以扩展到n维。。
既然只有两类,就可以用01函数(hardlim)来作为刀,这里叫输出函数,也叫阈值函数。。
输入呢有n多,怎么办?sigma(和)一下,就只有一个了。。
老是和的话就总是一样的数值了,怎么办?那就加权吧,就是对每个x[i]都有一个特定权值w[i],然后相乘再相加。。
最后弄个偏移量b,多加一个x[0]=1,b=w[0],这个小技巧就很方便编程了。。
模型如下:模型
数学表示:y=hardlim(sigma(w[i]*x[i])) , i=0-n
判决平面:
sigma(w[i]*x[i])=0;
学习算法:
(1) 设置变量和参数:
X(n)= [1,x1 (n),x2 (n),…,xm (n)]为输入向量;
W(n)= [b (n),w1 (n),w2 (n),…,wm (n)]为权值向量;
b (n)为偏差; y (n)为感知器实际输出;
d (n)为期望输出; n为迭代次数;
η为学习速率,对于单层感知器 ,设η =1.
(2) 初始化 n=0,权值向量Wj(0)=[各一个较小的随机非零数]
(3) 对于一组输入样本X(n),指定它的期望输出y(0|1)
(4) 计算感知器实际输出 d=hardlim(sigma), e=y[i]-d;
(5) 调整感知器的权值向量 w[i]new=w[i]old+x[i]*e;
(6)满足条件?是,结束; 否,n增加1,转第三步。
注意:判断满足条件可以是:
(1) 误差小,即|d(n)-y(n)|<ε ;
(2) 权值变化小,即|w(n+1)-w(n)|<ε ;
(3) 超过设定的最大迭代次数。
算法代码:
#include <stdio.h>
#include <time.h>
#include <math.h>
#include <stdlib.h>
#define M 4
#define N 3
#define Max 10 // 最大次数
#define eps 1e-4
inline int hardlim(double a){ return (a>eps)?1:0; }
double x[M][N]={
{1, 0, 0},
{1, 0, 1},
{1, 1, 0},
{1, 1, 1}
};
double y[M]={0,1,1,1};
double w[N];
void begin()
{
int i, j;
printf("title: =====ANN==adline==与门实现=====\n");
printf("\nbegin: \n");
printf(" x[0] x[1] x[2] y\n");
for(i=0; i<M; ++i){
for(j=0; j<N; ++j){
printf(" %lf", x[i][j]);
}printf(" %lf\n", y[i]);
}
}
void train()
{
int i, j, ok, tim, v;
double e, d, sigma;
printf("\n\ntrain: \n");
srand(time(0));
for(i=0; i<N; ++i){
w[i]=rand()/(RAND_MAX+1.0);
}
printf(" e[0] e[1] e[2] e[4] ok\n");
tim=0; v=1; // 学习速率
while(1){
ok=1;
for(i=0; i<M; ++i){
sigma=0;
for(j=0; j<N; ++j){
sigma+=x[i][j]*w[j];
}
d=hardlim(sigma);
e=y[i]-d;
printf(" %lf ", e);
if(fabs(e)>eps) ok=0;
for(j=0; j<N; ++j){
w[j]+=v*e*x[i][j];
}
}
tim++;
puts(ok?" Y":" N");
if(ok || tim>Max) break;
}
}
void test(){
int i, j;
double sigma;
printf("\n\ntest: \n");
printf(" x[0] x[1] x[2] sigma ans\n");
for(i=0; i<M; ++i){
sigma=0;
for(j=0; j<N; ++j){
printf(" %lf", x[i][j]);
sigma+=x[i][j]*w[j];
}
printf(" %lf ", sigma);
printf("%d\n", hardlim(sigma));
}
puts("==end==");
}
int main()
{
begin();
train();
test();
return 0;
}
运行结果:
title: =====ANN==adline==与门实现=====
begin:
x[0] x[1] x[2] y
1.000000 0.000000 0.000000 0.000000
1.000000 0.000000 1.000000 0.000000
1.000000 1.000000 0.000000 0.000000
1.000000 1.000000 1.000000 1.000000
train:
e[0] e[1] e[2] e[4] ok
-1.000000 0.000000 0.000000 0.000000 N
0.000000 0.000000 0.000000 0.000000 Y
test:
x[0] x[1] x[2] sigma ans
1.000000 0.000000 0.000000 -0.434174 0
1.000000 0.000000 1.000000 -0.284882 0
1.000000 1.000000 0.000000 -0.069977 0
1.000000 1.000000 1.000000 0.079315 1
==end==
Press any key to continue