手算以及使用线性神经网络和感知器…

% and_hand.m   手算实现与逻辑

%% 清理

close all

clear,clc

%% 定义变量

P=[0,0,1,1;0,1,0,1]                                 % 输入向量

P=[ones(1,4);P]                                 % 包含偏置的输入向量

d=[0,0,0,1]                               % 期望输出向量

% 初始化

w=[0,0,0]                      % 权值向量初始化为零向量

lr=maxlinlr(P)                              % 根据输入矩阵求解最大学习率

MAX=200;                       % 最大迭代次数，根据经验确定

%% 循环迭代

for i=1:MAX...

    fprintf('第%d次迭代\n', i);

    v=w*P;                 % 求出输出

    y=v;

    disp('线性网络的二值输出：');

    yy=y>=0.5               % 将模拟输出转化为二值输出，以0.5为阈值

    e=d-y;

    m(i)=mse(e);                % 均方误差

    fprintf('均方误差： %f\n',m(i));

    dw=lr*e*P';                     % 权值向量的调整量

    fprintf('权值向量：\n');

    w=w+dw                           % 调整权值向量

end

%% 显示

plot([0,0,1],[0,1,0],'o');hold on;

plot(1,1,'d');

x=-2:.2:2;

y=1.5-x;

plot(x,y)

axis([-0.5,2,-0.5,2])

xlabel('x');                        ylabel('ylabel');

title('线性神经网络用于求解与逻辑')

legend('0','1','分类面');

% and_linearlayer.m   用线性神经网络和感知器来实现与逻辑， 对比其结果， 理解线性神经网络和感知器的区别

%% 清理

close all

clear,clc

%% 定义变量

P=[0,0,1,1;0,1,0,1] % 输入向量

d=[0,0,0,1] % 期望输出向量

lr=maxlinlr(P,'bias') % 根据输入矩阵求解最大学习率

%% 线性网络实现

net1=linearlayer(0,lr); % 创建线性网络

net1=train(net1,P,d);   % 线性网络训练

%% 感知器实现

net2=newp([-1,1;-1,1],1,'hardlim');     % 创建感知器

net2=train(net2,P,d);   % 感知器学习

%% 显示

disp('线性网络输出')     % 命令行输出

Y1=sim(net1,P)

disp('线性网络二值输出');

YY1=Y1>=0.5

disp('线性网络最终权值：')

w1=[net1.iw{1,1}, net1.b{1,1}]

disp('感知器输出')

Y2=sim(net2,P)

disp('感知器二值输出');

YY2=Y2>=0.5

disp('感知器最终权值：')

w2=[net2.iw{1,1}, net2.b{1,1}]

plot([0,0,1],[0,1,0],'o');          % 图形窗口输出

hold on;

plot(1,1,'d');

x=-2:.2:2;

y1=1/2/w1(2)-w1(1)/w1(2)*x-w1(3)/w1(2);   % 1/2是区分0和1的阈值

plot(x,y1,'-');

y2=-w2(1)/w2(2)*x-w2(3)/w2(2);      % hardlim函数以0为阈值，分别输出0或1

plot(x,y2,'--');

axis([-0.5,2,-0.5,2])

xlabel('x');                   ylabel('ylabel');

title('线性神经网络与感知器用于求解与逻辑')

legend('0','1','线性神经网络分类面','感知器分类面');