感知器神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法

2.2感知器神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法2023/9/12.2.1單層感知器概述由美國學(xué)者Rosenblatt在1957年首次提出學(xué)習(xí)算法是Rosenblatt在1958年提出的包含一個突觸權(quán)值可調(diào)的神經(jīng)元屬于前向神經(jīng)網(wǎng)絡(luò)類型只能區(qū)分線性可分的模式IEEE設(shè)立以其名字命名的獎項2023/9/12.2.1單層感知器單層感知器模型2023/9/12.2.1單層感知器單層感知器工作原理

單層感知器可將外部輸入分為兩類和。當(dāng)感知器的輸出為+1時，輸入屬于類，當(dāng)感知器的輸出為-1時，輸入屬于類，從而實現(xiàn)兩類目標(biāo)的識別。在維空間，單層感知器進(jìn)行模式識別的判決超平面由下式?jīng)Q定：

2023/9/12.2.1單層感知器單層感知器工作原理對于只有兩個輸入的判別邊界是直線（如下式所示）,選擇合適的學(xué)習(xí)算法可訓(xùn)練出滿意的和，當(dāng)它用于兩類模式的分類時，相當(dāng)于在高維樣本空間中，用一個超平面將兩類樣本分開。2023/9/12.2.2單層感知器的學(xué)習(xí)算法單層感知器學(xué)習(xí)算法思想基于迭代的思想，通常是采用誤差校正學(xué)習(xí)規(guī)則的學(xué)習(xí)算法?？梢詫⑵钭鳛樯窠?jīng)元突觸權(quán)值向量的第一個分量加到權(quán)值向量中輸入向量和權(quán)值向量可分別寫成如下的形式：令上式等于零，可得到m維空間的單層感知器的判別超平面。

2023/9/12.2.2單層感知器的學(xué)習(xí)算法單層感知器學(xué)習(xí)算法第一步,設(shè)置變量和參量。為激活函數(shù),為網(wǎng)絡(luò)實際輸出，為期望輸出，為學(xué)習(xí)速率，為迭代次數(shù)，為實際輸出與期望輸出的誤差。第二步,初始化給權(quán)值向量的各個分量賦一個較小的隨機非零值，置第三步,輸入一組樣本，并給出 它的期望輸出。第四步,計算實際輸出:第五步,求出期望輸出和實際輸出求出差根據(jù)誤差判斷目前輸出是否滿足條件，一般為對所有樣本誤差為零或者均小于預(yù)設(shè)的值，則算法結(jié)束，否則將值增加1，并用下式調(diào)整權(quán)值：然后轉(zhuǎn)到第三步，進(jìn)入下一輪計算過程

2023/9/12.2.3單層感知器的MATLAB實現(xiàn)P=[-0.4-0.50.6;0.900.1];%給定訓(xùn)練樣本數(shù)據(jù)T=[110];%給定樣本數(shù)據(jù)所對應(yīng)的類別，用1和0來表示兩種類別%創(chuàng)建一個有兩個輸入、樣本數(shù)據(jù)的取值范圍都在[-1，1]之間，并且%網(wǎng)絡(luò)只有一個神經(jīng)元的感知器神經(jīng)網(wǎng)絡(luò)net=newp([-11;-11],1); net.trainParam.epochs=20;%設(shè)置網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)為20次net=train(net,P,T);%使用訓(xùn)練函數(shù)對創(chuàng)建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練Y=sim(net,P)%對訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真E1=mae(Y-T)%計算網(wǎng)絡(luò)的平均絕對誤差，表示網(wǎng)絡(luò)錯誤分類Q=[0.60.9-0.1;-0.1-0.50.5];%檢測訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的性能Y1=sim(net,Q)%對網(wǎng)絡(luò)進(jìn)行仿真，仿真輸出即為分類的結(jié)果figure;%創(chuàng)建一個新的繪圖窗口plotpv(Q,Y1);%在坐標(biāo)圖中繪制測試數(shù)據(jù)plotpc(net.iw{1},net.b{1})%在坐標(biāo)圖中繪制分類線2023/9/12.2.3單層感知器的MATLAB實現(xiàn)例2-1運行后在命令行窗口中得到的結(jié)果如下：>>TRAINC,Epoch0/20%使用TRAINC作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)，第0次訓(xùn)練，最%大訓(xùn)練次數(shù)為20TRAINC,Epoch3/20%達(dá)到目標(biāo)誤差要求，結(jié)束訓(xùn)練TRAINC,Performancegoalmet.Y=110E1=0Y1=0012023/9/12.2.3單層感知器的MATLAB實現(xiàn)例2-1訓(xùn)練誤差曲線2023/9/12.2.3單層感知器的MATLAB實現(xiàn)例2-1訓(xùn)練后的分類線2023/9/12.2.4多層感知機單層感知器的缺點是只能解決線性可分的分類模式問題采用多層網(wǎng)絡(luò)結(jié)構(gòu)可以增強網(wǎng)絡(luò)的分類能力，即在輸入層與輸出層之間增加一個隱含層，從而構(gòu)成多層感知器(MultilayerPerceprons，MLP)。由輸入層、隱含層(可以是一層或者多層)和輸出層構(gòu)成的神經(jīng)網(wǎng)絡(luò)稱為多層前向神經(jīng)網(wǎng)絡(luò)。2023/9/12.2.4多層感知機多層感知器的拓?fù)浣Y(jié)構(gòu)2023/9/12.2.4多層感知機多層感知器的特點含有一層或多層隱單元,從輸入