《模式识别实验指导 MATLAB实现》吉鸿海，范玲玲，毕松主编|(epub+azw3+mobi+pdf)电子书下载

图书名称：《模式识别实验指导 MATLAB实现》

【作　者】吉鸿海，范玲玲，毕松主编

【页 数】 198

【出版社】 石家庄：河北科学技术出版社 , 2021.04

【ISBN号】978-7-5717-0712-5

【价 格】48.00

【分 类】模式识别-计算机辅助计算-MATLAB软件-人工智能

【参考文献】 吉鸿海，范玲玲，毕松主编. 模式识别实验指导 MATLAB实现. 石家庄：河北科学技术出版社, 2021.04.

图书目录：

《模式识别实验指导 MATLAB实现》内容提要：

全书总结了模式识别主要的几种算法，共分为4个实验：感知器算法实验、多层感知器算法实验、K均值算法实验和主成分分析算法实验，并对其他一些补充材料在附录中加以说明。全书理论联系实际，以一种基于工具箱学习、基于自编M文件学习和算法综合实践相结合的特色体系，系统全面地介绍模式识别的理论、方法和实践应用，并提供相应MATLAB示例讲解，层层递进，使读者能够很快地将智能模式识别方法应用到实践中。本书可作为高等院校自动化工程、计算机工程、信息工程、人工智能等专业本科生和研究生“模式识别”课程的教学实验指导书，对从事模式……

《模式识别实验指导 MATLAB实现》内容试读

实验1单层感知器算法实验

实验1-1基于神经网络工具箱函数的单层感知器算法实现

1.实验内容

(1)使用MATLAB神经网络工具箱函数生成单层感知器。

(2)用单层感知器处理线性分类问题，观察结果。

2.实验原理

2.1单层感知器算法简介

单层感知器算法由Rosenblatt在1958年提出，此算法包含一个突触权值可调的神经元，属于前向神经网络类型，因此可以通过一定规则进行学习，快速、可靠地解决线性可分的问题。

感知器可以说是最早的人工神经网络(Artificial Neural Network,ANN),单层感知器(Single Layer Perceptron)具有一层神经元，是由一个线性组合器和一个二值阈值元件组成的最简单的前馈神经网络，它包含输入层和输出层，而输人层和输出层是直接相连的。输入向量的各个分量先与权值相乘，然后在线性组合器中进行叠加，得到一个标量结果，其输出是线性组合结果经过一个二值阈值函数计算得到的。二值阈值元件通常是一个上升函数，典型功能是非负数映射为1，负数映射为0或-1。因此感知器的输出一般是0或1，当然也可以是-1或+1，从而实现对输入的矢量进行分类的目的。

单层感知器模型如图1-1所示。

P1○1

102

10

b

图1-1单层感知器模型

图1-1中每一个输入分量P:()=1,2,…,r)通过一个权值分量w:()=1,2,

·,)进行加权求和，并作为阈值函数的输入，偏差b的加入使得网络多一个参数，

·1…

模式说别实验指导一MATLAB实现

可为调节输出的值提供方便。

n∑0马+ba =f(n)

感知器中的函数f称为传输函数，感知器中一般选择阈值函数作为传输函数，如：

r1,n≥0

a f(n)=hardlim(n)=

MATLAB函数：hardlim

0,n<0

或

a f(n)=hardlims(n)

1,n≥0

={-1,m<0

MATLAB函数：hardlims

感知器特别适合解决简单的模式分类(pattern classification)问题。但是单层感知器只能解决线性可分的问题。

◆学习机制

感知器学习的目的是找到合适的权值与阈值，使得感知器的输出、输入之间满足线性可分的函数关系。学习的过程往往很复杂，需要不断地调整权值与阈值，我们将这个过程称为“训练”。

若以t表示目标输出，a表示实际输出，则e=t-a,训练的目的就是使t趋向于α，只要网络表达的函数是线性可分的，则函数经过有限次的迭代之后，将收敛到正确的权值与阈值，使e=0。

感知器的训练需要提供样本集，每个样本由神经网络的输入向量和输出向量对构成，n个训练样本构成的样本集为：{P1,41},{P2,2},…,{P。,n},每一步学习过程，对各个神经元的权值与阈值的调整算法是：

W()=W(e)+ep

b()=b()+e

式中W为权值向量；b为阈值向量；p为输入向量；k为第k步学习过程。上述学习过程称为标准化感知器学习规则，可以用函数learnp实现。

如果输入向量的取值范围很大，一些输入值太大，而一些输入值太小，按照上述公式学习的时间将会很长。为此，阈值的调整可以继续按照上述公式，而权值的调整可以采用归一化方法，即

Wk+1)=W(

上述归一化学习方式可以使用函数learnpn实现。

2

模式说别实验指导一MATLAB实现

感知器

net.trainParam.epochs =10;%预定的最大训练次数为10，感知器经过最多10次训练后停止。

net=train(net,P,T);%利用训练集对感知器权值进行训练net=adapt(net,P,T);%利用训练集对感知器阈值进行训练◆learnp和learpn函数功能：权值和阈值学习函数。

句法：dW=learnp(W,P,Z,N,A,T,E,D,gW,gA,LP,LS)解释：

dW:权值或阈值的增量矩阵。

W:权值矩阵或阈值向量。

P:输入向量。

T:目标向量。

E:误差向量。

其他可以忽略，设为[]learnpn函数为归一化学习函数◆sim函数

功能：网络仿真函数。句法：a=sim(net,P)解释：

a:网络输出。net:训练好的网络。

P:输入向量。

例如：

net=newp([-2,+2;-2,+2],2);%生成一个二维输入，两个神经元的感知器

net.trainParam.epochs=l5;%设置训练次数最大是15nct=train(nct,P,T);%利用训练集对感知器进行训练

Q=[0.10.2-0.2;-0.2-0.30.3];%需要进行分类的输人向量

Y=sim(net,Q);%Y是利用感知器net对Q进行分类的结果◆plotpv函数

功能：绘制输人向量图像。

句法：plotpv(P,T)或者plotpv(P,T,V)解释：

.4…

···试读结束···