感知器算法实验--1

一.实验目的

1. 理解线性分类器的分类原理。

2. 掌握感知器算法，利用它对输入的数据进行分类。

3. 理解BP 算法，使用BP 算法对输入数据进行分类。 二. 实验原理 1.感知器算法

感知器算法是通过训练模式的迭代和学习算法，产生线性可分的模式判别函数。感知器算法就是通过对训练模式样本集的“学习”得出判别函数的系数解。在本次实验中，我们主要是采用硬限幅函数进行分类。

感知器的训练算法如下：

设输入矢量{x 1,x 2,…,x n }其中每一个模式类别已知，它们分别属于ω1类和ω2类。 （1）置步数k=1，令增量ρ为某正的常数，分别赋给初始增广权矢量w(1)的各分量较小的任意值。

（2）输入训练模式x k ，计算判别函数值w T (k) x k 。 （3）调整增广权矢量，规则是：

a.如果x k ∈ω1和w T (k) x k ≤0，则w(k+1)=w(k)+ ρx k ；

b.如果x k ∈ω2和w T (k) x k ≥0，则w(k+1)=w(k)-ρx k ；

c.如果x k ∈ω1和w T (k) x k >0，或x k ∈ω2和w T (k) x k <0，则w(k+1)=w(k)

（4）如果k

如果训练模式已经符号规化，即x k ∈ω2已经乘以-1（包括增广分量1），则校正权矢量的规则可统一为

()

(1)()k w k w k w k x ρ⎧+=⎨+⎩

如果w T (k) x k >0分类正确，则为第一个表达式，如果w T (k) x k ≤0错误分类则为第二个表达式。

在全部模式训练完一轮之后只要还有模式分类错误，则需要进行第二轮迭代，再用全部训练模式训练一次，建立新的权矢量。如果对训练模式还有错分，则进行第三轮迭代依此类推，直至对所有驯良模式均能正确分类为止，此时的w 即为所求的权矢量。

2．BP 算法

BP (Back Propagation)神经网络是一种神经网络学习算法。其由输入层、隐层、输出层组成的阶层型神经网络，隐层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值（Weight ）。然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程。 算法描述： 输入层:

单元i 的输入：i

x ；

单元数量：d ； 单元i 的输出：i

x ；

单元i 的激活函数：线性函数; 隐层： 单元j 的输入：netj ； 单元数量：nH ；

01

j d

t j ji i j i net x x

ωωω==+=∑ 010(,,....,),1t d x x x x x ==

01(,,....,)t j j j jd ωωωω=

单元j 的输出：

()j j y f net =；

单元j 的激活函数：非线性函数； 输出层： 单元k 的输入： k net ；

单元数量：c ；

01

H

n t k kj j k k j net y y

ωωω==+=∑

010(,,....,),1H t n y y y y y ==

01(,,....,)H

t k k k kn ωωωω=

单元k 的输出：()k

k z

f net =

单元k 的激活函数：非线性函数

两层神经网络图如下：

分析：

（1）给定隐层单元及输出层单元的激活函数，一个神经网络就可以实现一个对输入特征向量x 的非线性映射。因此，神经网络本质上是一个非线性函数。 （2）给定隐层单元及输出层单元的激活函数，该非线性函数所对应的映射关系完全由权系数决定。不同的权系数对应不同的非线性映射。 （3）神经网络学习的目的，就是根据已知的训练样本，确定神经网络的权系数。这一过程称为训练过程。在训练过程结束后，对于新样本x ，根据神经网络的输出进行判决。

（4）对于C 类分类问题，神经网络的输出为(),1,...,k

z

x k c =。神经网络的判决

规则为：如果()(),1,...,,k l

z x z x l c l k ≥=≠，则判x 属于wk 。

（5）令()(),1,...,k k g x z x k c ==，可以看出神经网络实际上实现了C 个非线性的鉴别函数，并根据鉴别函数的取值进行分类。

（6）神经网络的训练目标：调整权系数w ，即所有的wkj 及wij ，使得对于训练集中的每一个训练样本(x,t)，网络的输出尽可能满足： 11()()......()c c z x t z x t

z x t ⎛⎫⎛⎫ ⎪ ⎪=== ⎪ ⎪ ⎪ ⎪⎝⎭⎝⎭

（7）优化准则：对于样本集D ，使下述误差函数取得最小值： ()()

x x D

J J ωω∈=∑

()

2

1

1()()2c x k k k J t z x ω==-∑

权系数的调整：

kj kj kj

J ωωη

ω∂←-∂

()'()k j k k k k kj

J

y t z f net δδω∂==--∂，

1

()c

ji ji j i j j k kj

k ji ji J J

x f net ωωηδδδωωω=∂∂'←-==∂∂∑，， BP 算法描述：

对于给定的样本集D={(x,t)}，初始化网络结构d*nH*c 。初始化权系数w ，学习效率η、阈值θ。

随机从D 中取出一个样本(x,t)，根据该样本更新权系数w ：

kj kj kj

J ωωη

ω∂←-∂

ji ji ji

J ωωη

ω∂←-∂

计算

()()pre J J J ωω∆=-，如果J θ∆<结束训练，并认为此时的w 为最优。

否则转第2步继续进行循环。

三．实验容 1. 感知器算法实验

本实验利用感知器算法的原理，随机抽取两类的部分数据，然后，用这两类的其他数据来验证分类是否正确。这里是利用感知器两两分类的原理。实验可得结果如下表。其中r1是输入x1所得的分类正确率，r2是输入x2所得的分类正确率，r3是输入x3所得的分类正确率。

当训练样本数m 取20时，x1和x2数据分类正确率都是100%，x1和x3数据分类正确率是100%，而x2和x3的分类正确率分别为86% 和93%。

当训练样本数m 取30时，x1和x2数据分类正确率都是100%，x1和x3数据分类正确率是100%，而x2和x3的分类正确率分别为92% 和88%。

由实验结果可以看出，x1和x2、x1和x3之间是线性可分的，而x2和x3则达到了与预设的迭代次数的上限，且分类效果不明显。说明感知器算法对于现行可分的数据有比较好的性能与速度，但对于线性不可分的数据则效果较差。 2．BP 算法实验

（1）异或问题实验

利用前向两层神经网络来完成异或分类，输入的样本为x1=[0 1 －1]，x2=[1 0 －1]，