perceptron_example3.m

采用单一感知器神经元解决一个简单的分类问题

%--------------------------------------------------------------------------
% 网络有10种输入模式，要求将输入分为四类
%
% 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=[-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];     % p为输入矢量
t=[1 1 1 0 0 1 1 1 0 0;
    0 0 0 0 0 1 1 1 1 1];   % t为目标矢量
plotpv(p,t);    % 画出感知器的输入/目标矢量
pause;
clc;
[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
echo off;   % 禁止在屏幕上显示批处理命令行
clc;
k=pickic;
if k==2
    w=[-0.6926  0.6048;  0.1433  -0.9339];
    b=[0.0689;  -0.0030];
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);
plotpc(w,b);
p=[0.7; 1.2];    % 利用训练完的感知器神经元进行分类
hold on;
plot(p(1),p(2),'rs','MarkerEdgeColor','k','MarkerFaceColor',[.49 1 .63]);
text(0,3,['00: o  01: *  10: +  11: x'],'HorizontalAlignment','center',... 
       'BackgroundColor',[.7 .9 .7],'Margin',10,...
       'fontsize',20,'fontweight','bold');
hold off;
% 试分析：对应于输入[0.7; 1.2]的输出值？
pause;
clc;
a=simup(p,w,b)
echo off;