2.2感知器神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法2023/1/30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(gè)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(jiǎng)項(xiàng)2023/1/30單層感知器單層感知器模型2023/1/30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(shí)，輸入屬于類，當(dāng)感知器的輸出為-1時(shí)，輸入屬于類，從而實(shí)現(xiàn)兩類目標(biāo)的識(shí)別。在維空間，單層感知器進(jìn)行模式識(shí)別的判決超平面由下式?jīng)Q定：

2023/1/30單層感知器單層感知器工作原理對(duì)于只有兩個(gè)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(shí)，相當(dāng)于在高維樣本空間中，用一個(gè)超平面將兩類樣本分開。2023/1/30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(gè)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。

2023/1/30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(shí)際輸出，為期望輸出，為學(xué)習(xí)速率，為迭代次數(shù)，為實(shí)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(gè)分量賦一個(gè)較小的隨機(jī)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(jì)算實(shí)際輸出:第五步,求出期望輸出和實(shí)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(duì)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(jì)算過程

2023/1/302.2.3單層感知器的MATLAB實(shí)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(duì)應(yīng)的類別，用1和0來表示兩種類別%創(chuàng)建一個(gè)有兩個(gè)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(gè)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(duì)創(chuàng)建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練Y=sim(net,P)%對(duì)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真E1=mae(Y-T)%計(jì)算網(wǎng)絡(luò)的平均絕對(duì)誤差，表示網(wǎng)絡(luò)錯(cuò)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(duì)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(gè)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2023/1/302.2.3單層感知器的MATLAB實(shí)現(xiàn)例2-1運(yùn)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=0012023/1/302.2.3單層感知器的MATLAB實(shí)現(xiàn)例2-1訓(xùn)練誤差曲線2023/1/302.2.3單層感知器的MATLAB實(shí)現(xiàn)例2-1訓(xùn)練后的分類線2023/1/302.2.4多層感知機(jī)單層感知器的缺點(diǎn)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(qiáng)網(wǎng)絡(luò)的分類能力，即在輸入層與輸出層之間增加一個(gè)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)。2023/1/302.2.4多層感知機(jī)多層感知器的拓?fù)浣Y(jié)構(gòu)2023/1/302.2.4多層感知機(jī)多層感知器的特點(diǎn)含有一層或多層隱單元,從輸入模式