神经网络学习笔记--基于matlab的感知器

详细理论可参考https://blog.csdn.net/fieldoffier/article/details/44264715 

本文仅提供实例和经验。

题目：已知向量P=[-0.5 -0.5 0.3 -0.1 -4; -0.5 0.5 -0.5 1.0 5]；T=[1 1 0 0 1]; 求Q=[0.7 -0.5;1.2 -0.5]

解读：对Q向量进行分类，由已知的P和T训练一个感知器。有监督的学习，单层神经网络。

第一步：观察P,确定范围。x1∈[-4，1]；x2∈[-1，5]。Q也在次范围内。

第二步：创建一个感知器，使用函数newp，第一个参数为范围；第二个参数为个数，本次使用一个感知器；第三、四个参数可选；学习函数选用'learnpn'，原因：P的范围差距较大。

第三步：训练网络，使用train()，传入P，T。

第四步：网络仿真，获取结果。sim()。

第五步，画图。

源代码如下：

P = [-0.5 -0.5 0.3 -0.1 -4; -0.5 0.5 -0.5 1.0 5];   %输入向量
T = [1 1 0 0 1];            %输出向量
net=newp([-4 1;-1 5],1,'hardlim','learnpn');    %创建一个感知器
net.trainParam.epochs=10;   %最大训练次数
net=train(net,P,T);      %开始训练
Q=[0.7 -0.5;1.2 -0.5];     %测试向量
Y=sim(net,Q)    %网络仿真，获得结果
figure
plotpv(P,T)
plotpc(net.iw{1},net.b{1})
figure
plotpv(Q,Y)
plotpc(net.iw{1},net.b{1})

调试：发现当Q只有一组数据时，画不出来分类线，一个点就一类自然不存在分类线。