% xor_linearlayer.m 线性神经网络用于求解异或逻辑
%% 清理
close all
clear,clc
%% 定义变量
P1=[0,0,1,1;0,1,0,1] % 原始输入向量
p2=P1(1,:).^2;
p3=P1(1,:).*P1(2,:);
p4=P1(2,:).^2;
P=[P1(1,:);p2;p3;p4;P1(2,:)] % 添加非线性成分后的输入向量
d=[0,1,1,0] % 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
net=linearlayer(0,lr); % 创建线性网络
net=train(net,P,d); % 线性网络训练
%% 显示
disp('网络输出') % 命令行输出
Y1=sim(net,P)
disp('网络二值输出');
YY1=Y1>=0.5
disp('最终权值:')
w1=[net.iw{1,1}, net.b{1,1}]
plot([0,1],[0,1],'o','LineWidth',2); % 图形窗口输出
hold on;
plot([0,1],[1,0],'d','LineWidth',2);
axis([-0.1,1.1,-0.1,1.1]);
xlabel('x');ylabel('y');
title('线性神经网络用于求解异或逻辑');
x=-0.1:.1:1.1;y=-0.1:.1:1.1;
N=length(x);
X=repmat(x,1,N);
Y=repmat(y,N,1);Y=Y(:);Y=Y';
P=[X;X.^2;X.*Y;Y.^2;Y];
yy=net(P);
y1=reshape(yy,N,N);
[C,h]=contour(x,y,y1,0.5,'b');
clabel(C,h);
legend('0','1','线性神经网络分类面');
方法二:
% xor_madaline.m
Madaline用于求解异或逻辑
%% 清理
close all
clear,clc
%% 第一个神经元
P1=[0,0,1,1;0,1,0,1]; % 输入向量
d1=[1,0,1,1]; % 期望输出向量
lr=maxlinlr(P1,'bias'); % 根据输入矩阵求解最大学习率
net1=linearlayer(0,lr); % 创建线性网络
net1=train(net1,P1,d1); % 线性网络训练
%% 第二个神经元
P2=[0,0,1,1;0,1,0,1]; % 输入向量
d2=[1,1,0,1]; % 期望输出向量
lr=maxlinlr(P2,'bias'); % 根据输入矩阵求解最大学习率
net2=linearlayer(0,lr); % 创建线性网络
net2=train(net2,P2,d2); % 线性网络训练
Y1=sim(net1,P1);Y1=Y1>=0.5;
Y2=sim(net2,P2);Y2=Y2>=0.5;
Y=~(Y1&Y2);
%% 显示
disp('第一个神经元最终权值:') % 命令行输出
w1=[net1.iw{1,1}, net1.b{1,1}]
disp('第二个神经元最终权值:')
w2=[net2.iw{1,1}, net2.b{1,1}]
disp('第一个神经元测试输出:')
Y1
disp('第二个神经元测试输出:');
Y2
disp('最终输出:');
Y
plot([0,1],[0,1],'bo'); % 图形窗口输出
hold on;
plot([0,1],[1,0],'d');
x=-2:.2:2;
y1=1/2/w1(2)-w1(1)/w1(2)*x-w1(3)/w1(2); % 第一条直线,1/2是区分0和1的阈值
plot(x,y1,'-');
y2=1/2/w2(2)-w2(1)/w2(2)*x-w2(3)/w2(2); % 第二条直线,1/2是区分0和1的阈值
plot(x,y2,'--');
axis([-0.1,1.1,-0.1,1.1])
xlabel('x');ylabel('y');
title('Madaline用于求解异或逻辑')
legend('0','1','第一条直线','第二条直线');