matlab感知器演算法

⑴ 試用感知器演算法求出分類決策函數，並判斷 x6 =t 屬於 哪一類

其實HK演算法思想很朴實,就是在最小均方誤差准則下求得權矢量. 他相對於感知器演算法的優點在於,他適用於線性可分和非線性可分得情況,對於線性可分的情況,給出最優權矢量,對於非線性可分得情況,能夠判別出來,以退出迭代過程. 2.在程序編制過程中

⑵ matlab中有沒有感知器演算法的函數

clear all
%輸入向量，兩種蠓蟲的特徵向量
p=[1.24 1.36 1.38 1.378 1.38 1.40 1.48 1.54 1.56 1.14 1.18 1.20 1.26 1.28 ...
1.30;1.72 1.74 1.64 1.82 1.90 1.70 1.70 1.82 2.08 1.78 1.96 1.86 2.00 2.00 1.96];
%目標向量
t=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0];
%創建感知器網路
net=newp([0 2.5;0 2.5],1);
figure;
cla;
plotpv(p,t);
plotpc(net.IW{1},net.b{1});
hold on;
%訓練該感知器網路
net=init(net);
linehandle=plotpc(net.IW{1},net.b{1});
pause
[net,y,e]=adapt(net,p,t);
linehandle=plotpc(net.IW{1},net.b{1},linehandle);
%檢驗該感知器網路
p1=[1.24 1.28 1.40;1.80 1.84 2.04];
a=sim(net,p1);
figure;
plotpv(p1,a);
Thepoint=findobj(gca,'type','line');
set(Thepoint,'color','red');
hold on;
plotpv(p,t);
plotpc(net.IW{1},net.b{1});
hold off;
pause

⑶ matlab中怎麼用 neural network建立一個感知器

第一：特點
1、監督網路包括：正反饋、徑向基、LVQ、時延、非線性自回歸（NARX）以及層遞歸的神經網路

2、非監督網路包括：自組織圖與競爭層結構；
3、通過預處理和後處理提高網路訓練與評估網路性能；
4、模塊化網路用以管理和可視化任何大小的網路；
5、用於構建和評估神經網路的Simulink模塊
第二：數據擬合、分類和模式識別
1、數據擬合
應用舉例：房價均值估計
問題描述：通過創建神經網路以估計社區房價的均值，該社區採用以下13個屬性進行描述

1）每城市的人均犯罪率
2）住宅用地的比例大於25000平方
3）每個城市的非零售商業用地比例
4）1表示Charles river的邊界，0則表示其他的
5）氮氧化合物濃度（1000萬分之1）
6）平均每個寓所的房間數量
7）業主單位是1940年以前的比例
8）距離波士頓就業中心的加權距離
9）徑向高速公路的可訪問性指數
10）每10,000美元全部價值財產稅稅率
11）城市中小學老師的比例
12）1000(Bk - 0.63)^2
13）地位較低的人口百分比
上述輸入是與目標輸出相關聯的。
數據准備
輸入矩陣X和目標輸出矩陣T
X中每一列都是由上述13個特徵屬性所表徵的數字所組成。該已知的13個數值表示當前已知的房價均值。T矩陣的每一列都會有一個元素，用以表示1000年後的房價均值
（the median house price in 1000's of dollars）
數據導入：
[x,t]=house_dataset;
可以看到X和T都是506列，表示的是506個社區的屬性，即所謂的輸入。這些輸入與房價均值相關聯，即目標。X有13行，即表示13個屬性；目標矩陣T只有1行。
用神經網路進行數據擬合
神經網路是用隨機權值進行初始化的，所以每次運行的結果會有稍微的不一樣。可以通過設置隨機化種子以避免這種隨機性。但是我們在應用過程中是不需要setdemorandstream(491218382)的。
一般越是復雜的問題，所需要設置的神經元數量越多，神經元層數也越多。在此，我們在隱含層設置的是10個神經元。
net = fitnet(10);
view(net)
從下圖可以看出，神經網路的輸入和輸出都是0，這是因為此時的神經網路尚未進行配置，以對輸入數據和輸出數據進行匹配。需要對其進行訓練！

接下來需要做得就是訓練：
數據集一共分成三種：訓練數據集、驗證數據集和測試數據集。用訓練數據集對神經網路進行訓練，用以擬合模型，即用這部分數據來建立模型。 驗證數據集，剛才說training建了一個模型，但是模型的效果僅體現了訓練數據，但不一定適合同類的其他數據，所以需要在建模前會將數據分成兩部分，一部分為訓練數據，一部分為驗證數據（兩部分數據的比例大致為7:3，這取決於所採用的驗證方法）；另外，有時候也可能訓練多個模型，但不知哪個模型性能更佳，這時可以將驗證數據輸入不同模型進行比較。所以，訓練過程是需要不斷進行的，直到驗證數據集的性能不再有所提升。 test是測試數據，它跟前兩者的最大區別在於：training和validation數據均是同一時期的數據，如都是5-7月數據，但既然是測試，就需要用跨期的數據來驗證模型的穩定性，此時，可採用8月單月數據或9月單月數據對建好的模型進行測試，看性能有沒有下降或偏移。
採用NN Training Tool可以展現被訓練的神經網路和用以訓練的演算法。此外，該工具也展示了訓練的過程中的訓練時態和訓練終止的准則（該准則用綠色進行標注）。在該UI底部的可以繪制。在演算法名稱和繪制按鈕的旁邊都有其對應的鏈接，以補充對該演算法或者繪制圖像的說明。

可以點擊"Performance" 按鈕或者用語句plotperform(tr)來查看神經網路在訓練過程性能的提升。該性能的測量是基於最小均方誤差，以對數log為底進行顯示。在訓練過程中可以發現該曲線是迅速下降的。且需要注意，多次運行所需要的迭代次數是不一樣的。圖中綠色圈圈所指示的是驗證數據集性能最好的地方。

測試神經網路
通過測量測試數據的最小均方誤差，可以感知經過訓練的神經網路對應真實數據所表現出來的性能。
testX = x(:,tr.testInd);
testT = t(:,tr.testInd);

testY = net(testX);

perf = mse(net,testT,testY)

此外，也可以通過繪制回歸線來測量神經網路對應數據的擬合程度。下面基於所有樣本繪制回歸線：
y = net(x);

plotregression(t,y)

若神經網路已經訓練好，可以對數據進行擬合，則在回歸圖上面線性輸出的目標擬合曲線Fit應該橫貫左下角和右上角。若是沒有達到，則需要繼續進行訓練，或者採用更多神經元的神經網路進行訓練。
第三種測量神經網路對於數據的擬合程度方法是誤差分布圖。誤差分布圖可以展示誤差情況，一般多數誤差是靠近0的，只有少數遠離0。

⑷ 感知器演算法對非線性可分樣本進行訓練時，為什麼訓練迭代過程不收斂，怎麼解決

你用的是什麼挖掘技術，是神經網路還是SVM。
如果是SVM，核函數試試換成非線性的，有些SVM的代碼默認執行線性分類核函數；
如果是神經網路，可以試試將樣本0-1歸一化。

⑸ 歷史上第一個機器學習演算法是什麼

Adaboost是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然後把這些弱分類器集合起來，構成一個更強的最終分類器(強分類器)。其演算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的准確率，來確定每個樣本的權值。將修改過權值的新數據集送給下層分類器進行訓練，最後將每次訓練得到的分類器最後融合起來，作為最後的決策分類器。使用adaboost分類器可以排除一些不必要的訓練數據特徵，並將關鍵放在關鍵的訓練數據上面。