感知器在matlab中应用

单层感知器属于单层前向网络，即除输入层和输出层之外，只拥有一层神经元节点。

一、感知器的结构

  单层感知器由一个线性组合器和一个二值阈值原件组成。（一般选择阈值函数作为输出函数）

上图每一个输入分量pj通过一个权值分量wj进行加权求和，并作为阈值函数的输入，偏差b 的加入使得网络多一个参数，作为调节输出的值增加方便。

二、感知器的学习

感知器学习就是不断调整权值和阈值，不断训练，寻找最合适的权值阈值。

w为权值向量，b为阈值向量，p为输入向量，e为误差，k为第k步学习，称为标准化感知器学习规则。

三、感知器的神经网络训练函数

1、newp--创建感知器

net=newp(P,T,TF,LF)

net：生成的感知器网络

P：R*2矩阵

T：神经元的个数

TF：感知器传递函数 默认hardlim 可选hardlims

LF:感知器学习函数 默认learnp 可选 learnpn 

net.IW{1,1} 显示权值  net.b{1} 显示阈值

2、train--训练感知器网络

net=train(net,P,T)

net:被训练神经网络

P：网络输入

T:网络期望输出

net.trainParam.epochs=10 预定最大训练次数为10

3、adapt--自适应训练函数

net=adapt(net,P,T)

4、sim--仿真

a=sim(net.P)

5、

plotpv(P,T)输入向量图像

plotpc（W，b）画分类线

四、Matlab实现感知器

代码：

P=[-0.6 -0.7 0.8;0.9 0 1];
T=[1 1 0];
plotpv(P,T); %输入向量图像
xlabel('坐标1');
ylabel('坐标2');
title('感知器分类图');
net=newp([-1,1;-1,1],1);%生成感知器，神经元个数为1
he=plotpc(net.iw{1},net.b{1});%返回划线的句柄，下一次绘制分类线时将旧的删除。
%net.iw{1}神经网络第一层权重，net.b{1}神经网络第一层的偏置。
net.trainParam.epochs=15;%设置最大训练次数为15；
net=train(net,P,T);%利用训练集对感知器进行训练；

Q=[0.5 0.8 -0.2;-0.2 -0.6 0.6];
Y=sim(net,Q)  %利用感知器net对Q进行分类；
figure;
plotpv(Q,Y);
he=plotpc(net.iw{1},net.b{1},he)%画出分类线

五、总结

感知器是最简单的神经网络，只针对线性可分的向量集合进行分类，用一条直线将输入向量分开。