神经网络 感知器的分类能力

《神经网络 感知器的分类能力》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、作业一：感知器的分类能力一、作业要求已知矩阵P=[0.10.70.80.81.00.30.0-0.3-0.5-1.5;1.21.81.60.60.80.50.20.8-1.5-1.3];T=[1110011100；0000011111]对以上输入、输出样本进行分类。要求画出最后的线形图。二、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给定的点三、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[-22]之间。由于为2输入，故神经元数量为2。四、训练

2、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[-0.30.8]，其目标输出应为为[11]。现在观察

3、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=[0.10.70.80.81.00.30.0-0

4、.3-0.5-1.5;1.21.81.60.60.80.50.20.8-1.5-1.3];T=[1110011100；0000011111]net=newp([-22;-22],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holdon;plotpv(Q,Y);xlim([-2,2]),yli

5、m([-2,2]);%限定区间