% 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...
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');