线性分类器设计与非线性分类器设计VIP免费

第1页共9页编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第1页共9页作业1：线性分类器设计1、问题描述将4个输入矢量分为两类，其中两个矢量对应的目标值为1，另两个矢量对应的目标值为0。输入矢量为P＝[-0.5-0.50.30-0.50.5-0.31]目标分类矢量为T＝[1100]2、算法描述采用单一感知器神经元来解决这个简单的分类问题。感知器（perceptron）是由美国学者F.Rosenblatt于1957年提出的，它是一个具有单层计算神经元的神经网络，并由线性阈值单元组成。当它用于两类模式的分类时，相当于在高维样本空间中，用一个超平面将两类样本分开。两类样本线性情况下，线性判别函数可描述为，其中是权向量，是阈值。假设两类样本线性可分，则一定存在一个由定义的超平面，满足，其中。定义感知器代价函数为，其中Y是训练向量的子集，是权向量w定义的超平面错误分类的部分。变量；。为了计算出代价函数的最小迭代值，利用梯度下降法设计迭代方案，即其中，代入得这种算法称为感知器算法。这个算法从任意权向量w(0)开始初始化，通过错误分类特征形成修正向量。如此重复到算法收敛于解，即所有的特征向量都正确的分类。可以证明，如果两类模式是线性可分的，则算法一定收敛。感知器特别适合用于简单的模式分类问题。3、算法的实现Matlab源程序如下：0.50.30;-0.50.5-0.51];第2页共9页第1页共9页编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第2页共9页t=[1100];[w,b]=initp(p,t)％初始化感知器plotpv(p,t)％绘制输入矢量plotpc(w,b)％绘制分类线pause[w,b,epochs,errors]=trainp(w,b,p,t,-1)％训练感知器pauseploterr(errors);％绘制误差图4、分类结果和讨论图1为分类结果，图中的实线将两类分开。经过6步达到误差要求，训练结束。误差变化曲线如图2所示。图1图2经过训练后，网络的权值和阈值分别为w=-2.9871-0.4630b=-0.3572训练结束后，验证第3页共9页第2页共9页编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第3页共9页p=[-0.5;－0.2];a=simup(p,w,b)运行结果为a＝1属1类可见，单层感知器算法可用于简单的线性分类问题。作业2：非线性分类器设计1、问题描述设计分类器实现同或运算。同或问题的真值表为X1X2同或运算结果类0011010010001111用一条直线是不能将这两类分开的，可考虑非线性分类算法设计分类器。2、算法描述（1）双层感知器算法单层感知器神经网络不能解决线性不可分的输入矢量的分类问题，解决这一问题的办法是输入的线性不可分矢量进行预处理。双层感知器算法就是采用两层感知器神经元，先将线性不可分问题转化为线性可分问题，再进行分类的。算法分为两个阶段，第一阶段的映射将非线性可分问题转换为线性可分问题，通过第一层的神经元完成第一阶段的计算，它们构成隐层（hiddenlayer），将输入向量x映射到新向量y，即第二阶段是基于转换数据实现分类，通过第二层神经元实现运算，构成输出层（outputlayer），得出决策方程。即（2）径向基函数算法若定义函数变量为从中心点ci与输入向量的欧式距离，即，则称该函数为径向基函数（RadialBasisFunction，RBF）。函数f可有多种形式，例如第4页共9页第3页共9页编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第4页共9页高斯形式被广泛使用。径向基函数网络的结构包括两层，即隐层和输出层，隐层为径向基层（radbas），利用径向基函数将非线性问题转换为线性问题，输出层为线性层（pureline），将转换后的样本用线性分类方法进行分类。3、算法的实现与分类结果（1）双层感知器算法Matlab源程序为：p=[0011;0101];t=[1001];s1=2;[w1,b1]=initp(p,s1)[w2,b2]=initp(s1,t)plotpv(p,t)plotpc(w1,b1)pausea1=simup(p,w1,b1);[w2,b2,epochs,errors]=trainp(w2,b2,a1,t,[-1]);ploterr(errors);运行结果：图3为分类结果，误差变化曲线如图4所示。图3第5页共9页第4页共9页编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第5页共9页图4训练结束后，，两层网络的权值和阈值分别为w1=[11;11]；b1=[-0.5;-1.5]w2=[1-1]；b2=-0.5;（2）径向基函数算法Matlab源程序为：p=[...