目录
单层传感器的基础理论知识
MATLAB神经网络工具箱使用例程
算法实现
参考文献
单层传感器的基础理论知识
关于单层感知器的理论知识和MATLAB中单层感知器的关联函数，单层感知器——MATLAB神经网络一文有详细的说明。
MATLAB神经网络工具箱使用例程
例：在下图中，o点的输出值为1，*点的输出值为0。 我想要一个输入坐标就能得到对应输出值的神经网络。
根据理论知识，结果为直线(x1*w1 x2*w2 b=0)。 他将平面分割为输出值0和输出值1两个区域。 要使用MATLAB神经网络工具箱求解代码，请执行以下操作：
net=newp([01； 0 )建立1 )、1 ) %单层传感器(NEW Perceptron )，两个输入节点(假设为x1和x2 )，x1的取值范围为0~1，x2，具有0~1，1个节点。
P=[0 0 1 1； 0 1 0 1])； 输入%样品。 这里是2X4的矩阵，矩阵的每列表示采样点
T=[0 1 1 1]； %期望值(输出值)，对应输入样本
net.trainParam.epochs=20； %net是已经创建的神经网络，本质上是对象。 如果将trainParam的epochs值更改为20，则最大训练迭代次数为20次
net=train(net，p，t )； %神经网络的训练
%以下是为了理解《单感知器》而可视化的部分，为了解决问题必须是代码
y=sim(net，p )； %针对训练的神经网络仿真(simulate )，将样本值输入神经网络，观察输出结果是否与原始结果一致
b=net.b { 1，1 }； %我们的目的实际上是得到直线(x1*w1 x2*w2 b=0)，在这里是取得b值(这是存储在net对象的b参数值中) )。
w1=net.iw { 1，1 } ((1)； 获取%w1的值
w2=net.iw { 1，1 } ()2)； 获取%w2值
%图
x1=-1:0.1:2；
x2=-w1/w2*x1-b；
plot(x1，x2，' k ' ) ) ) )。
霍尔德on
plot(p ) 1，2: end )、p ) 2，2: end )、' ko ' )；
plot(p ) 1，1 )、p ) 2，1 )、' r* ' )；
axis ([-1，2，- 1，2 ]
legend (“分类直线”、“值1”、“值0”)
结果如下
对神经网络进行了测试，过程如下(准确性可以从上图中观察到)。
sim(net，[0.1； 0.1 ) )
ans=
0
sim(net，[0.5； 0.5 ) )
ans=
1
算法实现
单层传感器- -根据MATLAB神经网络文中的“二、学习算法步骤”，上述问题可以通过算法步骤，用以下MATLAB码实现： (不使用MATLAB神经网络工具箱)。
n=0.2； %学习率
w=[ 0，0，0 ]；
P=[0 0 1 1； 0 1 0 1])；
d=[0 1 1 1]； %期待输出
p=[ ones (1，4 )； P]；
MAX=20； %最大迭代次数为20次
i=0；
while 1
v=w*P；
x2=hardlim(v )； %实际输出
%更新
e=(d-x2 )；
EE(I1 )=mae(e ) e；
if(EE ) I1 ) 0.001 ) %判断
DISP(wehavegotit: )；
DISP(w；
布雷克；
结束
更新%权重和偏移
w=wn*(d-x2 ) p '；
if(I=max ) %达到最大迭代次数并结束
最大快照(disp )；
DISP(w；
DISP(ee ) I1 )；
布雷克；
结束
i=i 1；
结束
图形；
subplot (2，1，1 )； %显示要分类的点和分类结果
plot(p ) 2，2: end )，p ) 3，2: end )，' ko ' )；
霍尔德on
plot(p ) 2，1 )、p ) 3，1 )、' r* ' )；
axis ([-1，2，- 1，2 ]
x1=-1:1:2；
x2=x1*(-w(2)/w )3)-w )1)/w ) 3；
plot(x1，x2 )；
legend (值1 )、值0 )、分类直线)；
霍尔德关闭
subplot (2，1，2 )； %表示mae值的变化
x1=0:i；
plot(x1，ee，' o-'；
s=sprintf(Mae的值)重复次数：%d )、i 1 )；
是title(s )
参考文献
bmdhxc.MATLAB神经网络原理及实例阐明