实验一 利用神经网络进行分类 （转载于陕西理工学院数学系中心实验室周涛副教授的工作，在此表示感谢） 一个经过训练的 2 输入神经元对 5 个输入向量进行分类(2 类)。结合一个例子给出步骤。 实验内容(说明：这里的许多参数都可以更改，希望大家能对这个程序的参数进行修改；同时也欢迎大家提问) 步骤一： 两个长度为 5 的向量构成输入样本矩阵 P，行向量 T 为指导向量。利用PLOTPV 画出这个向量的图像。例如： P = [-0.5 -0.5 +0.3 -0.1 -4; -0.5 +0.5 -0.5 +1.0 5]; T = [1 1 0 0 1]; plotpv(P,T);//plotpv 函数利用感知器的输入向量和监督向量来画输入向量的图像 注意：在上面的式子中，4 输入向量比 5 输入向量有更小的数量级，这个感知器必须把 P 中的 5 个输入向量分成两类（依赖于 T）。 步骤二 建立神经网络 MATLAB 提供函数 newp 来创建一个指定的感知器。第一个参数指定了期望的两个输入向量的取值范围，第二个参数指定了只有一个神经元。 net = newp([-40 1;-1 50],1); 注意：这个神经元的激励函数是 hardlim 函数，也就是阶越函数。取 0，1两个值。Hardlim 三函数，也就是阶越函数。取-1，1 两个值。 步骤三 添加神经元的初始化值到分类图 初始化的权值被设为 0，因此任何输入都会给出同样的输出，并且分类线不会出现在这个图中，不用害怕，我们会继续训练这个神经网。 hold on linehandle = plotpc(net.IW{1},net.b{1});//plotpc 函数用来画神经网络的分类线 步骤四 训练感知器 Matlab 提供了 adapt 函数来训练感知器，adapt 函数返回一个新的能更好的执行分类、网络的输出、和误差的神经网络，这个划线函数允许网络从 3 个角度去调整，画分类线一直到误差为 0 为止。 E = 1;//E 为误差 net.adaptParam.passes = 3; while (sse(E))//sse 函数是用来判定误差 E 的函数 [net,Y,E] = adapt(net,P,T);//利用输入样本调节神经网net linehandle = plotpc(net.IW{1},net.b{1},linehandle);//画出调整以后的分类线 drawnow;//延迟一段时间 end 注意：这将会花费感知器的许多时间来训练。这对这样一个简单问题来说时间是非常长的。追究其原因在于 outlier vector，尽管需要很长的训练时间，这个感知器仍然适当的学习并且被用于划分别的输入。 步骤五 模拟sim SIM 函数能被用来划分任何别的输入向量，例如划分一个输入向量[0...
