《神经网络与深度学习》~人工神经网络+单层（Perceptron）感知器原理及matlab实现

目录

 

人工神经网络-->>神经元

人工神经网络（ANN）

神经元仿生：单层感知器

 性能评估函数：

 MATLAB实际操作实例

---

人工神经网络-->>神经元

人工神经网络（ANN）

• 是迄今为止几乎最为成功的仿生学数学模型，是机器学习领域的热点，符合智能化机器的时代潮流
• 有统一的模型框架，很多算法问题可以归为神经网络系统学习问题加以解决（SVM支持向量机）
• 容易硬件化、元器件化、高集成化、并行化，性能优异
• 神经网络设计具有较高技巧，同事是一个灰箱系统，容易掩盖某些背景细节
• 但是容易产生过度拟合

神经元仿生：单层感知器

单层感知器局限：

• 无泛化能力
• 结构简单，激活函数只能是符号函数
• 只能对线性可分问题收敛，非线性不能处理
• 如果存在离群点，则需要花费较多的时间 

 单层感知器不需要有样本概率分布的前提假设

单层感知器不用换很复杂的激活函数，因为单层感知器是用来线性分类问题，对非线性问题较难解决。

 性能评估函数：

• MAE，平均绝对误差（误差的绝对值的平均值）
• MSE，均方误差（误差平方的平均值）
• SSE，误差平方和

---

 MATLAB实际操作实例

%% 单程感知器
%一共8组数据，每组数据是3个输入（x1,x2,x3）,形成8行3列
P=[1,1,1,1,0,0,0,0;0,0,1,1,0,1,1,0;0,1,0,1,1,0,1,0];
%目标结果，也就是Y的值，8个值
T=[-1,1,1,1,-1,-1,1,-1];
%代表x1,x2,x3都在0~1之间
p=[0,1;0,1;0,1];
%输出只有一个
t=1;
%形成神经网络
net=newp(p,t,'hardlims')
%训练这个单层感知机模型（网络，输入，输出）
net=train(net,P,T)

%% 这个是模拟数据，预期结果是1
newP=[0,1,1];
newI=sim(net,newP)

 运行结果：

当然也可以直接使用工具箱nntool