matlab感知器算法

⑴ 试用感知器算法求出分类决策函数，并判断 x6 =t 属于 哪一类

其实HK算法思想很朴实,就是在最小均方误差准则下求得权矢量. 他相对于感知器算法的优点在于,他适用于线性可分和非线性可分得情况,对于线性可分的情况,给出最优权矢量,对于非线性可分得情况,能够判别出来,以退出迭代过程. 2.在程序编制过程中

⑵ matlab中有没有感知器算法的函数

clear all
%输入向量，两种蠓虫的特征向量
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];
%目标向量
t=[1 1 1 1 1 1 1 1 1 0 0 0 0 0 0];
%创建感知器网络
net=newp([0 2.5;0 2.5],1);
figure;
cla;
plotpv(p,t);
plotpc(net.IW{1},net.b{1});
hold on;
%训练该感知器网络
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);
%检验该感知器网络
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中怎么用 neural network建立一个感知器

第一：特点
1、监督网络包括：正反馈、径向基、LVQ、时延、非线性自回归（NARX）以及层递归的神经网络

2、非监督网络包括：自组织图与竞争层结构；
3、通过预处理和后处理提高网络训练与评估网络性能；
4、模块化网络用以管理和可视化任何大小的网络；
5、用于构建和评估神经网络的Simulink模块
第二：数据拟合、分类和模式识别
1、数据拟合
应用举例：房价均值估计
问题描述：通过创建神经网络以估计社区房价的均值，该社区采用以下13个属性进行描述

1）每城市的人均犯罪率
2）住宅用地的比例大于25000平方
3）每个城市的非零售商业用地比例
4）1表示Charles river的边界，0则表示其他的
5）氮氧化合物浓度（1000万分之1）
6）平均每个寓所的房间数量
7）业主单位是1940年以前的比例
8）距离波士顿就业中心的加权距离
9）径向高速公路的可访问性指数
10）每10,000美元全部价值财产税税率
11）城市中小学老师的比例
12）1000(Bk - 0.63)^2
13）地位较低的人口百分比
上述输入是与目标输出相关联的。
数据准备
输入矩阵X和目标输出矩阵T
X中每一列都是由上述13个特征属性所表征的数字所组成。该已知的13个数值表示当前已知的房价均值。T矩阵的每一列都会有一个元素，用以表示1000年后的房价均值
（the median house price in 1000's of dollars）
数据导入：
[x,t]=house_dataset;
可以看到X和T都是506列，表示的是506个社区的属性，即所谓的输入。这些输入与房价均值相关联，即目标。X有13行，即表示13个属性；目标矩阵T只有1行。
用神经网络进行数据拟合
神经网络是用随机权值进行初始化的，所以每次运行的结果会有稍微的不一样。可以通过设置随机化种子以避免这种随机性。但是我们在应用过程中是不需要setdemorandstream(491218382)的。
一般越是复杂的问题，所需要设置的神经元数量越多，神经元层数也越多。在此，我们在隐含层设置的是10个神经元。
net = fitnet(10);
view(net)
从下图可以看出，神经网络的输入和输出都是0，这是因为此时的神经网络尚未进行配置，以对输入数据和输出数据进行匹配。需要对其进行训练！

接下来需要做得就是训练：
数据集一共分成三种：训练数据集、验证数据集和测试数据集。用训练数据集对神经网络进行训练，用以拟合模型，即用这部分数据来建立模型。 验证数据集，刚才说training建了一个模型，但是模型的效果仅体现了训练数据，但不一定适合同类的其他数据，所以需要在建模前会将数据分成两部分，一部分为训练数据，一部分为验证数据（两部分数据的比例大致为7:3，这取决于所采用的验证方法）；另外，有时候也可能训练多个模型，但不知哪个模型性能更佳，这时可以将验证数据输入不同模型进行比较。所以，训练过程是需要不断进行的，直到验证数据集的性能不再有所提升。 test是测试数据，它跟前两者的最大区别在于：training和validation数据均是同一时期的数据，如都是5-7月数据，但既然是测试，就需要用跨期的数据来验证模型的稳定性，此时，可采用8月单月数据或9月单月数据对建好的模型进行测试，看性能有没有下降或偏移。
采用NN Training Tool可以展现被训练的神经网络和用以训练的算法。此外，该工具也展示了训练的过程中的训练时态和训练终止的准则（该准则用绿色进行标注）。在该UI底部的可以绘制。在算法名称和绘制按钮的旁边都有其对应的链接，以补充对该算法或者绘制图像的说明。

可以点击"Performance" 按钮或者用语句plotperform(tr)来查看神经网络在训练过程性能的提升。该性能的测量是基于最小均方误差，以对数log为底进行显示。在训练过程中可以发现该曲线是迅速下降的。且需要注意，多次运行所需要的迭代次数是不一样的。图中绿色圈圈所指示的是验证数据集性能最好的地方。

测试神经网络
通过测量测试数据的最小均方误差，可以感知经过训练的神经网络对应真实数据所表现出来的性能。
testX = x(:,tr.testInd);
testT = t(:,tr.testInd);

testY = net(testX);

perf = mse(net,testT,testY)

此外，也可以通过绘制回归线来测量神经网络对应数据的拟合程度。下面基于所有样本绘制回归线：
y = net(x);

plotregression(t,y)

若神经网络已经训练好，可以对数据进行拟合，则在回归图上面线性输出的目标拟合曲线Fit应该横贯左下角和右上角。若是没有达到，则需要继续进行训练，或者采用更多神经元的神经网络进行训练。
第三种测量神经网络对于数据的拟合程度方法是误差分布图。误差分布图可以展示误差情况，一般多数误差是靠近0的，只有少数远离0。

⑷ 感知器算法对非线性可分样本进行训练时，为什么训练迭代过程不收敛，怎么解决

你用的是什么挖掘技术，是神经网络还是SVM。
如果是SVM，核函数试试换成非线性的，有些SVM的代码默认执行线性分类核函数；
如果是神经网络，可以试试将样本0-1归一化。

⑸ 历史上第一个机器学习算法是什么

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征，并将关键放在关键的训练数据上面。