perceptron_example2.m

采用单一感知器神经元解决一个简单的分类问题

%--------------------------------------------------------------------------
% 复杂输入矢量的分类问题，输入矢量由三个元素组成。
%
% initp—对感知器神经元初始化
% simup—对感知器神经元仿真
% trainp—利用感知器学习规则对感知器神经元训练
%--------------------------------------------------------------------------
clf reset;  % 从当前图形窗口删除所有图形对象，除"Position, Units, PaperPosition, and PaperUnits"
            % 等属性外。恢复图形窗口其他属性的默认设置
figure(gcf);    % gcf--获得当前图形窗口的句柄
% set(gcf,300,300);
% set(gcf, 'PaperPosition', [2 1 4 2]);
echo on;    % 允许在屏幕上显示批处理命令行
clc;
p=[-1 1 -1 1 -1 1 -1 1;
    -1 -1 1 1 -1 -1 1 1;
    -1 -1 -1 -1 1 1 1 1];    % p为输入矢量
t=[0 1 0 0 1 1 0 1];    % t为目标矢量
plotpv(p,t);    % 画出感知器的输入/目标矢量
pause;
[w,b]=initp(p,t);    % 定义感知器神经元，w是权值矩阵，b是阈值矩阵
% 试分析：w和b的大小？
pause;
% w是1*3的矩阵，b是1*1的变量
pause;
clc;
echo off;   % 禁止在屏幕上显示批处理命令行
clc;
k=pickic;
if k==2
    w=[-0.8161;  0.3078;  0.3078];
    b=[-0.1680];
end
echo on;
clc;
plotpc(w,b);    % 在感知器矢量图图上，画出与初始权值和阈值对应的分类线
pause;
clc;
[w,b,epochs,errors]=trainp(w,b,p,t,-1);    % 训练感知器神经元
pause;
clc;
ploterr(errors);    % 画出误差曲线
pause;
clc;
plotpv(p,t);
p=[0.7; 1.2; -0.2];    % 利用训练完的感知器神经元进行分类
hold on;
plot3(p(1),p(2),p(3),'*');
hold off;
pause;
clc;
% 试分析：对应于输入[0.7; 1.2; -0.2]的输出值？
% p=[-1 1 -1 1 -1 1 -1 1;
%     -1 -1 1 1 -1 -1 1 1;
%     -1 -1 -1 -1 1 1 1 1];    % p为输入矢量
% t=[0 1 0 0 1 1 0 1];    % t为目标矢量
a=simup(p,w,b)
echo off;