感知器学习

这是教科书《神经网络与机器学习》中基础感知器的一个示例。

MATLAB中的人工神经网络实例包括单层感知器，可用于线性可分问题，以及多层感知器，适用于复杂分类和系统识别，例如鸢尾花分类问题。

感知器学习规则是：Wnew = Wold + e*p，其中e = t - a。更新权重和偏差，直至达到正确的输入目标。例如，对于AND门：P=[0 0 1 1; 0 1]; t=[0 0 0 1]; w=[0 0]; b=0; ep=20；[wb]=perceplearn(P,t,w,b,ep);

展示了在Matlab环境下用于2D数据的简单单层感知器学习过程。

单层感知器的 Matlab 实现，功能挺全，写得也蛮规整，适合刚上手机器学习的你拿来练手或者参考。项目里不只是感知器，还顺手带上了像Logistic 回归、LDA、PCA这些常见方法，配合 Matlab 的工具箱，调试体验还不错。 多维线性回归加上L2 正则化，过拟合那块挺有用。还有三次样条插值、留一法交叉验证这类细节也考虑到了，用来做模型评估还蛮方便的。嗯，都是些你在课程项目或论文实验里能用得上的家伙。 更实用的是，后面还搞了个多层感知器来做 USPS 手写数字分类，结合EM 算法和高斯混合模型做聚类，思路清晰，结构也合理。如果你在研究神经网络或数字识别，这部分值得重点看看。 顺手一提，k

我找了很多在线资源，整理了一个文件夹，包含大量matlab代码，供大家学习参考。

感知器是神经网络中的概念，由Frank Rosenblatt于1950年代引入。单层感知器是最简单的神经网络，包含输入层和输出层直接相连。与最早的MP模型不同，神经元突触权值可调整，可通过规则进行学习，能快速、可靠地解决线性可分问题。作者：漫步_9378链接：https://www.jianshu.com/p/d7189cbd0983。

该程序实现了一个二元感知器分类器，用于测量测试实例的分类精度。训练和测试实例是正面/负面评论的集合。程序需要与以下4个文件一起运行：train.positive（正训练实例）、train.negative（负训练实例）、test.positive（阳性测试实例）、test.negative（否定测试实例）。这些文件应位于“./data”目录下。如需更改文件名，需相应更新代码。构建和执行指令请从命令行运行python perceptron.py。程序提供2个选项：训练迭代所需次数的数据重复，以及单个测试迭代的运行。每次训练迭代后，测试数据用于获取所需的迭代次数，并绘制错误率与迭代次数的关系图。注

使用MATLAB开发的神经网络单层感知器程序源码，可作为二次开发的基础。欢迎有兴趣的朋友下载使用。

matlab程序4单层感知器的简化版本