编写一、问题描述感知器算法程序，使用该程序求解以下模式分类的解向量：
1 () (0)，1 )0)，1 )0)，1 )0) }
2 ) ) (001 )、0 1 1 )、0 1 0 )、11 ) }
w(1)=(-1-2-20 )
二、算法介绍关于这次的算法程序，分为以下部分。
1、变量定义#定义了用于存储#define N 100struct Node //培训样本的数据结构{ int element[N]； //培训样本int sample； //类别} node[N]； 在此定义一个名为Node的数据结构，其中包含两个元素： element (用于记录每个架构类的数据的element )、sample (用于记录相应数据所属的架构类的sample )。
int n； //训练样本维度int m； //训练样本个数int c； //增量系数Node w[N]； //权重向量定义了其他要使用的变量。 (注：这里定义的都是全局变量)
2、数据输入部分cout '请输入培训样本的维数。' ； cin n； cout '请输入每个培训样本的样本数。' ； cin m； cout '培训样例w1:n '； for(intI=0； i m； I ) for(intj=0； j n； j({CINnode[I].Element[j]； node[i].sample=1； } } cout '培训样例w2:n '； for(intI=0； i m； I ) for(intj=0； j n； j({CINnode[mI].Element[j]； node[m i].sample=2； }接受用户手动输入的训练样本的维数和个数用于以后使用(注意：这里使用的变量n、m都是全局变量)。 然后，用户输入培训示例并将其放入名为node的node类型数组中。 (注意：输入培训示例时，模式类1的sample=1将同步更新，模式类2的sample=2将用于以后使用。)
3、归一化处理change(node )； 语音变更(nodex ) ) for ) intI=0； i 2 * m； I ) x(I ).element )=1； for(intI=0； i 2 * m； I ) for(intj=0； j=n； j () if(x ) I ).sample==2) x ) I ).element )=x ) I ).element ) *(-1 )； 调用Change函数将训练样本转换为扩展向量的形式，并将属于模式类2的样本乘以-1。
4、请输入初始化权重向量和校正增量系数cout '初始化权重向量。 n '； for(intI=0； i=n； I ) { cin w[1].element[i]； } cout '请输入校正增量系数。' ； cin c； 接受用户手动输入的权重向量和校正增量系数。
5、迭代计算部分preceptron(node，w )； voidpreceptRon(nodex (，Node w[] ) )//百分号算法({ int a=1； //用于记录当前权重向量校正次数cout '的权重向量w(1)为) )； for(intI=0； i=n； I ) { cout
<< w[a].element[i] << " "; } cout << "n"; int number = 0; //用于判断是否可以离开迭代循环的变量 while (1) { int temp = Mul(w[a], x[(a - 1) % (2 * m)]); if (temp > 0) { number++; for (int i = 0; i <= n; i++) { w[a + 1].element[i] = w[a].element[i]; } } else { for (int i = 0; i <= n; i++) { w[a + 1].element[i] = w[a].element[i] + c * x[(a - 1) % (2 * m)].element[i]; } } a++; cout << "经过调整后的权向量W(" << a << ")为："; for (int i = 0; i <= n; i++) { cout << w[a].element[i] << " "; } cout << "n"; if (a % (2 * m) == 1 && number == (2 * m))//符合退出迭代条件 break; if (a % (2 * m) == 1) number = 0; }}这里使用了一个名为number的参数用于记录每轮迭代时计算结果大于0的次数，当number与模式类样本个数（2m）相等时（即一轮迭代中并未调整权向量），跳出循环。
三、计算过程 四、结果图像 五、完整代码 #include <iostream>#include <cstdio>#include <cstring>#include <cmath>#include <cstdlib>#include <algorithm>#include <vector>#include <stack>#include <queue>using namespace std;#define N 100struct Node //定义了一个用于存放训练样本的数据结构{ int element[N];//训练样本 int sample;//类别} node[N];int n;//训练样本的维数int m;//训练样本的个数int c;//校正增量系数Node w[N];//权向量void Change(Node x[]){ for (int i = 0; i < 2 * m; i++) x[i].element[n] = 1; for (int i = 0; i < 2 * m; i++) { for (int j = 0; j <= n; j++) { if (x[i].sample == 2) x[i].element[j] = x[i].element[j] * (-1); } }}int Mul(Node a, Node b) //用于实现权向量与训练样本相乘{ int result = 0; for (int i = 0; i <= n; i++) { result = result + a.element[i] * b.element[i]; } return result;}void Preceptron(Node x[], Node w[]) //感知器算法{ int a = 1; //用于记录当前权向量矫正次数 cout << "权向量W(1)为："; for (int i = 0; i <= n; i++) { cout << w[a].element[i] << " "; } cout << "n"; int number = 0; //用于判断是否可以离开迭代循环的变量 while (1) { int temp = Mul(w[a], x[(a - 1) % (2 * m)]); if (temp > 0) { number++; for (int i = 0; i <= n; i++) { w[a + 1].element[i] = w[a].element[i]; } } else { for (int i = 0; i <= n; i++) { w[a + 1].element[i] = w[a].element[i] + c * x[(a - 1) % (2 * m)].element[i]; } } a++; cout << "经过调整后的权向量W(" << a << ")为："; for (int i = 0; i <= n; i++) { cout << w[a].element[i] << " "; } cout << "n"; if (a % (2 * m) == 1 && number == (2 * m))//符合退出迭代条件 break; if (a % (2 * m) == 1) number = 0; }}int main(){ /*第一步：由用户输入各训练样本的参数*/ cout << "请输入训练样本的维数："; cin >> n; cout << "请输入每个训练样本的样本数(这里假设只有两类w1,w2)："; cin >> m; cout << "请输入训练样本w1：n"; for (int i = 0; i < m ; i++) { for (int j = 0; j < n ; j++) { cin >> node[i].element[j]; node[i].sample = 1; } } cout << "请输入训练样本w2：n"; for (int i = 0; i < m; i++) { for (int j = 0; j < n; j++) { cin >> node[m + i].element[j]; node[m + i].sample = 2; } } /*第二步：将输入的训练样本转化为增广向量的形式，并将属于w2的样本乘以-1*/ Change(node); /*第三步：初始化权向量与校正增量系数*/ cout << "请输入初始权向量：n"; for (int i = 0; i <= n; i++) { cin >> w[1].element[i]; } cout << "请输入校正增量系数："; cin >> c; /*第四步：迭代计算*/ Preceptron(node, w); return 0;} 六、备注本文是感知器算法，使用C++的简单编写，可能有很多不足之处，欢迎讨论