感知机分类算法

 1  function  [test_targets, a]  =  Perceptron(train_patterns, train_targets, test_patterns, alg_param)
 2 
 3  %  Classify using the Perceptron algorithm (Fixed increment single - sample perceptron)
 4  %  Inputs:
 5  %      train_patterns     -  Train patterns
 6  %     train_targets     -  Train targets
 7  %    test_patterns    -  Test  patterns
 8  %     alg_param         -  Either: Number of iterations, weights vector or [weights, number of iterations]
 9  %  Outputs
10  %     test_targets     -  Predicted targets
11  %    a                -  Perceptron weights
12  %  NOTE: Works  for  only two classes.
13  %  测试用法
14  %  train_patterns = [ - 0.5 , - 0.5 , 0.3 , 0.1 , - 0.1 , 0.8 , 0.2 , 0.3 ;
15  %                   0.3 , - 0.2 , - 0.6 , 0.1 , - 0.5 , 1.0 , 0.3 , 0.9 ];
16  %  train_targets =   [ 0 , 0 , 0 , 1 , 0 , 1 , 1 , 1 ];
17  %  test_patterns = [ 0.2   - 0.3 ]'  % 输出0
18  %   %  alg_param = 100 ;
19  %  alg_param = [ 0.01 ; 0.01 ; 0.0 ; 0.0 ; 0.01 ; 0.01 ; 0.01 ; 0.01 ];
20  %  alg_param = [ 0.01 ; 0.01 ; 0.0 ; 0.0 ; 0.01 ; 0.01 ; 0.01 ; 0.01 ; 100 ];
21  %
22  %  [test_targets, a]  =  Perceptron(train_patterns, train_targets, test_patterns, alg_param)
23  %  Plotpv(train_patterns,train_targets);  % 绘点，绘制分类模式
24  %  a = a';
25  %  plotpc(a( 1 : end - 1 ),a( end : end ));   % 绘分割线；绘制决策面
26 
27  [c, r]            =  size(train_patterns);
28  % Weighted Perceptron or not ?
29  switch  length(alg_param),
30      case r  +   1 ,
31           % Ada boost form
32          p            =  alg_param( 1 : end - 1 );
33          max_iter     =  alg_param( end );
34      case {r, 0 },
35           % No parameter given
36          p            =  ones( 1 ,r);
37          max_iter     =   5000 ;
38      otherwise
39           % Number of iterations given
40          max_iter     =  alg_param;
41          p            =  ones( 1 ,r);
42  end
43  train_patterns  =  [train_patterns ; ones( 1 ,r)];
44  train_zero      =  find(train_targets  ==   0 );
45  % Preprocessing
46  y  =  train_patterns;
47  y(:,train_zero) =   - y(:,train_zero);
48  % Initial weights
49  a               =  sum(y')';
50  n                =  length(train_targets);
51  iter            =   0 ;
52  while  ((sum(a' * train_patterns. * ( 2 * train_targets - 1 )< 0 ) > 0 )  &&  (iter < max_iter))
53      iter  =  iter  +   1 ;
54      indice  =   1   +  floor(rand( 1 ) * n);
55       if  (a'  *   y(:,indice) < =   0 )
56          a  =  a  +  p(indice) *  y(:,indice);
57       end
58  end
59  if  (iter  ==  max_iter) && (length(alg_param)~ =  r  +   1 ),
60      disp(['Maximum iteration (' num2str(max_iter) ') reached']);
61  end
62  % Classify test patterns
63  test_targets  =  a' * [test_patterns; ones( 1 , size(test_patterns, 2 ))]  >   0 ;
64 
65