智能控制理論及應(yīng)用 課件 第6章-單層感知器

主要內(nèi)容6.1單層感知器的結(jié)構(gòu)6.2單層感知器的功能6.3單層感知器的學習算法6.4單層感知器的局限性6.5單層感知器仿真示例6.1單層感知器的結(jié)構(gòu)感知器1957年由FrankRosenblatt提出。F.Rosenblatt.Theperceptron:aprobabilisticmodelforinformationstorageandorganizationinthebrain.PsychologicalReview,65:386-408,1958.研究領(lǐng)域:心理學認知心理學第6章6.1單層感知器的結(jié)構(gòu)6.1單層感知器的結(jié)構(gòu)該模型由一個線性組合器+二元閾值單元組成第6章6.1單層感知器的結(jié)構(gòu)6.1單層感知器的結(jié)構(gòu)閾值函數(shù)對稱型閾值函數(shù)第6章6.1單層感知器的結(jié)構(gòu)小練習假設(shè)有一個感知器有3個輸入，分別為5，-10，6對應(yīng)權(quán)重為0.6，0.8，-1.5，偏差為0.5，閾值函數(shù)作為激活函數(shù)請計算它的輸出。第6章6.1單層感知器的結(jié)構(gòu)實例:二維輸入感知器yx1x2uw1w2第6章6.1單層感知器的結(jié)構(gòu)6.2單層感知器的功能實現(xiàn)模式識別實現(xiàn)邏輯函數(shù)“與”“或”“非”第6章6.2單層感知器的功能1.實現(xiàn)模式識別第6章6.2單層感知器的功能左圖是蘋果與檸檬的部分采樣數(shù)據(jù)橫坐標描述的是水果的重量（克）縱坐標描述的是水果的高度（厘米）單層感知器的2維輸入特征分別為水果的重量和高度，輸出為識別出的水果的種類2.實現(xiàn)邏輯函數(shù)第6章6.2單層感知器的功能6.3單層感知器的學習算法第6章6.3單層感知器的學習算法單層感知器的學習算法采用有監(jiān)督的糾錯學習算法。6.3單層感知器的學習算法收斂準則：誤差小于最大允許誤差(2)兩次迭代之間的權(quán)重變化很小(3)設(shè)定最大迭代次數(shù)M,達到最大迭代次數(shù)之后算法就停止。第6章6.3單層感知器的學習算法舉例：

如何學會“與”Nox1x2d1000201031004111yx1x2w1w21.初始化：w0,w1,w2=0.01;2.計算激活值:y1=0,y2,y3,y4=13.權(quán)重更新:4.迭代將迭代增加一次，返回步驟2，并重復(fù)該過程，直到收斂。

p樣本索引i輸入索引t迭代索引Samples第6章6.3單層感知器的學習算法不同學習率的比較iterationw1w2w0(b)output00.010.010.01[0111]1-0.89-0.891.81[0000]20.010.010.91[0000]30.910.910.01[0111]40.010.011.81[0000]50.910.910.91[0111]60.010.012.71[0000]70.910.911.81[0001]iterationw1w2w0(b)output00.010.010.01[0111]1000.3[0000]20.010.010.02[0001]第6章6.3單層感知器的學習算法給定

X=(x1,x2)T二維空間中為判別邊界線yx1-1x26.4單層感知器的局限性第6章6.4單層感知器的局限性給定

X=(x1,x2,x3)T在三維空間中為分界面。

x2yx1x3-1第6章6.4單層感知器的局限性給定

X=(x1，x2,…,xn)T在n維空間中的一個超平面

單層感知器只能解決線性可分問題，而對于線性不可分問題，單層感知器是無法實現(xiàn)正確分類的。第6章6.4單層感知器的局限性第6章6.4單層感知器的局限性第6章6.4單層感知器的局限性線性可分線性不可分6.5單層感知器仿真示例第6章6.5單層感知器仿真示例【例6.1】：單層感知器實現(xiàn)“與”門6.5單層感知器仿真示例clear;clc;closeall;mass=[162,162,160,156,140,170,194,200,186,216,196,174];height=[7.1,7.2,7.5,7.4,7.1,7.9,10.3,10.5,9.2,10.2,9.7,10.1];fruit_data=[mass;height];%兩種水果樣本的重量和高度數(shù)據(jù)fruit_category=[111111000000];%兩種水果樣本的標簽：1--apple,2—lemon[norm_fruit_data,ps]=mapminmax(fruit_data);%樣本數(shù)據(jù)的歸一化到區(qū)間[-1,1]內(nèi)net=perceptron;%新建perceptronnet=train(net,norm_fruit_data,fruit_category);%訓練perceptronpredict_label=net(norm_fruit_data)%測試perceptron第6章6.5單層感知器仿真示例【例6.2】：蘋果與檸檬的識別問題拓展：多層感知器x1x2z1z2yx1x2d000011101110x1x2

z1

z2

y00 0