感知器神经网络作用:
用于简单的模式分类问题。
原理:
将R个输入变量Pi赋予不同权值后相加,并加入偏差。
网络传递函数:
阈值函数hardlim。
感知器学习规则:
输入输入样本Pi,期望目标Ti,将期望目标与训练时产生的输出目标进行比较。获得网络误差,然后应用学习规则对网络权值和偏差进行调整,是训练后输出接近于正确目标。
感知器学习算法:
P为输入,T为期望输出,训练时实际输出为a,训练目的为尽可能减小误差 E=T-a。权值修正公式为:Wnew=W+detaW=W+ep;bnew=b+detab=b+e;
e=t-a;
感知器网络的生成:
net=newp(P,S,TF,LF);对权值及阈值修改:net.IW{1,1}=【1 1】;net.b{1}=[1];
感知器网络的仿真:
sim(net,p)
感知器网络的学习:
用learnp通过给定输入p及误差e,可以计算需要对权值和偏差b的修正,格式为:[dW LS]=learnp[w,p,[],[],[],[],e,[][][]);
train函数以及adapt也能完成同样任务
[net,a,e]=adapt(net,p,t);
net=train(net,p,t).
局限性:
仅适用于线性可分样本的二类划分对于线性不可分的输入向量不适用。