《神经网络与深度学习》~人工神经网络+单层(Perceptron)感知器原理及matlab实现
【摘要】 目录
人工神经网络-->>神经元
人工神经网络(ANN)
神经元仿生:单层感知器
性能评估函数:
MATLAB实际操作实例
人工神经网络-->>神经元
人工神经网络(ANN)
是迄今为止几乎最为成功的仿生学数学模型,是机器学习领域的热点,符合智能化机器的时代潮流有统一的模型框架,很多算法问题可以归为神经网络系统学习问题加以解决(SVM支持向量机...
目录
人工神经网络-->>神经元
人工神经网络(ANN)
- 是迄今为止几乎最为成功的仿生学数学模型,是机器学习领域的热点,符合智能化机器的时代潮流
- 有统一的模型框架,很多算法问题可以归为神经网络系统学习问题加以解决(SVM支持向量机)
- 容易硬件化、元器件化、高集成化、并行化,性能优异
- 神经网络设计具有较高技巧,同事是一个灰箱系统,容易掩盖某些背景细节
- 但是容易产生过度拟合
神经元仿生:单层感知器
单层感知器局限:
- 无泛化能力
- 结构简单,激活函数只能是符号函数
- 只能对线性可分问题收敛,非线性不能处理
- 如果存在离群点,则需要花费较多的时间
单层感知器不需要有样本概率分布的前提假设
单层感知器不用换很复杂的激活函数,因为单层感知器是用来线性分类问题,对非线性问题较难解决。
性能评估函数:
- MAE,平均绝对误差(误差的绝对值的平均值)
- MSE,均方误差(误差平方的平均值)
- SSE,误差平方和
MATLAB实际操作实例
-
%% 单程感知器
-
%一共8组数据,每组数据是3个输入(x1,x2,x3),形成8行3列
-
P=[1,1,1,1,0,0,0,0;0,0,1,1,0,1,1,0;0,1,0,1,1,0,1,0];
-
%目标结果,也就是Y的值,8个值
-
T=[-1,1,1,1,-1,-1,1,-1];
-
%代表x1,x2,x3都在0~1之间
-
p=[0,1;0,1;0,1];
-
%输出只有一个
-
t=1;
-
%形成神经网络
-
net=newp(p,t,'hardlims')
-
%训练这个单层感知机模型(网络,输入,输出)
-
net=train(net,P,T)
-
-
%% 这个是模拟数据,预期结果是1
-
newP=[0,1,1];
-
newI=sim(net,newP)
运行结果:
当然也可以直接使用工具箱nntool
文章来源: kings.blog.csdn.net,作者:人工智能博士,版权归原作者所有,如需转载,请联系作者。
原文链接:kings.blog.csdn.net/article/details/86567281
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)