神经网络_感知器的分类能力.docVIP

作业一：感知器的分类能力 作业要求 已知矩阵P=[0.1 0.7 0.8 0.8 1.0 0.3 0.0 -0.3 -0.5 -1.5; 1.2 1.8 1.6 0.6 0.8 0.5 0.2 0.8 -1.5 -1.3]; T=[1 1 1 0 0 1 1 1 0 0 ； 0 0 0 0 0 1 1 1 1 1] 对以上输入、输出样本进行分类。要求画出最后的线形图。 分析题目要求 首先画出题目给定的点。要求设计一个二输入感知神经网络，将十个输入向为四类。 图1 给定的点 构建初始网络 应用newp()构造一个神经元感知器神经网络，其输入向量在[-2 2]之间。由于为2输出，故神经元数量为2。 训练网络 net=train(net,P,T); 设置最大训练次数为10。 五、 实验结果 5.1 本次运行的最优分类情况： 图2 分类线 5.2 误差曲线 当学习函数为感知器学习函数learnp时，其误差曲线为图3；当学习函数为标准感知器学习函数learnpn时，其误差曲线为图4。 图3 学习函数learnp的误差曲线 图4 学习函数learnpn的误差曲线 六、网络仿真 应用sim函数来进行网络仿真，实现对任何其他输入向量的模式划分。选取 Q=[-0.4;0.9],可知其非常靠近原样本的一组数据即[-0.3 0.8]，其目标输出应为为 [1 1]。现在观察网络仿真结果，发现其被划分到相应的分类中。 七、结论与心得 该感知器网络完成了一个简单的四类模式划分问题。通过此次实验，可得感知器具有根据已有数据自主学习规则的能力，这对于我们研究无固定函数表达式的输入输出有重要意义。此外，通过比较两个学习函数后，发现learnp的误差曲线更符合要求，所以选择学习函数选择learnp。 做本题前一直在思考，10组数据如何分配，哪些做学习样本，哪些做测试样本。最后决定取原样本中相近的数据来检测网络的识别能力。 八、附录: Matlab程序代码 P=[0.1 0.7 0.8 0.8 1.0 0.3 0.0 -0.3 -0.5 -1.5; 1.2 1.8 1.6 0.6 0.8 0.5 0.2 0.8 -1.5 -1.3]; T=[1 1 1 0 0 1 1 1 0 0 ； 0 0 0 0 0 1 1 1 1 1] net=newp([-2 2;-2 2],2,hardlim,learnp); net.trainParam.epochs=10; net=train(net,P,T); Q=[-0.4;0.9]; Y=sim(net,Q); plotpv(P,T); plotpc(net.iw{1},net.b{1});%画分类线 hold on; plotpv(Q,Y); xlim([-2,2]),ylim([-2,2]); %限定区间