第 3 章 神经计算基础(3.2 感知器)MATLAB仿真程序设计详解.ppt

%初始化第二感知器层 pr2=[0 1;0 1;0 1]; %设置第二感知器层输入向量每个元素的值域 net2=newp(pr2,1); %定义第二感知器层 %训练第二感知器层 net2.trainParam.epochs=1000; net2.trainParam.show=1; p2=ones(3,4); %初始化第二感知器层的输入向量 p2=p2.*a1; %随机感知器层的仿真输出结果作为第二感知器层的输入向量 t2=[0 1 1 0]; %第二感知器层的目标向量 [net2,tr2]=train(net2,p2,t2); %训练第二感知器层 epoch2=tr2.epoch %输出训练过程经过的每一步长 perf2=tr2.perf %输出每一步训练结果的误差 iw2=net2.IW{1} %第二感知器层的权值向量 b2=net2.b{1} %第二感知器层的阈值向量 %存储训练后的网络 save net34 net1 net2 多层感知器神经网络的设计例程 %初始化第二感知器层 pr2=[0 1;0 1;0 1]; %设置第二感知器层输入向量每个元素的值域 net2=newp(pr2,1); %定义第二感知器层 %训练第二感知器层 net2.trainParam.epochs=1000; net2.trainParam.show=1; p2=ones(3,4); %初始化第二感知器层的输入向量 p2=p2.*a1; %随机感知器层的仿真输出结果作为第二感知器层的输入向量 t2=[0 1 1 0]; %第二感知器层的目标向量 [net2,tr2]=train(net2,p2,t2); %训练第二感知器层 epoch2=tr2.epoch %输出训练过程经过的每一步长 perf2=tr2.perf %输出每一步训练结果的误差 iw2=net2.IW{1} %第二感知器层的权值向量 b2=net2.b{1} %第二感知器层的阈值向量 %存储训练后的网络 save net34 net1 net2 多层感知器神经网络的设计例程 多层感知器神经网络的设计例程 仿真程序代码： %加载训练后的网络 load net34 net1 net2 %随机感知器层仿真 p1=[0 0;0 1;1 0;1 1]; %随机感知器层输人向量 a1=sim(net1,p1); %随机感知器层仿真结果 %输出感知器层仿真，并输出仿真结果 p2=ones(3,4); %初始化第二感知器层的输入向量 p2=p2.*a1; %随机感知器层的仿真输出结果作为第二感知器层的输入向量 a2=sim(net2,p2) 3.6 应用于线性分类问题的进一步讨论 神经网络的实现功能可看成是输入到输出的映射 把每一种不同的输入看成是一种输入模式，将其到输出的映射看成是输出响应模式，则输入到输出的映射就变成输入模式空间到输出响应模式空间的映射 模式分类问题：输入模式到输出模式的映射 决策函数与决策边界 模式分类的基本内容：确定判决函数与决策边界 对于C类分类问题，按照判决规则可以把特征向量空间（或称模式空间）分成C个决策域 决策边界（决策边界方程）：将划分决策域的边界称 判决函数：用于表达决策规则的某些函数 神经网络用于模式分类的决策函数 神经网络用于模式分类，其决策函数为 f(n) = f(Wp + b) (3.7) 决策边界由相应的决策函数和决策规则所确定 一般地说，当模式p为一维时，决策边界为一分界点；当p为二维时，决策边界为一直线；当p为三维时，决策边界为一平面；当p为n(n3)维时，决策边界为一超平面。图3.14画出了n=1，2，3维的情况 图 3.14 输入维数不同时的决策边界 感知器的决策函数与决策边界 感知器神经元的传输函数为阈值型函数，若传输函数为hardlim函数，则其决策函数为 (3.8) 决策边界由下列边界方程决定 Wp + b = 0